AI 수집을 위한 데이터 준비

Amplitude AI는 이벤트 이름, 속성, 설명을 포함한 택소노미를 읽어서 자연어 질문을 올바른 데이터와 매칭시킵니다. 명확한 이름, 중복 제거된 이벤트 및 문서화된 비즈니스 컨텍스트는 정확한 답변을 제공하지만, 모호하거나 오래된 데이터는 잘못된 답변을 제공합니다. AI로 쿼리하기 전에 택소노미를 준비하여 첫 번째 순간부터 정확한 답변을 얻으십시오.

Amplitude AI를 광범위하게 배포하기 전에 또는 AI 응답이 팀의 기대와 일치하지 않을 때 이러한 단계를 적용하십시오. 초기 이벤트 택소노미를 아직 설계하고 있는 경우 먼저 데이터 계획 플레이북으로 이동하십시오. 에이전트 자체에 대한 요약을 보려면 에이전트 요약으로 이동하십시오.

깨끗한 데이터로 더 나은 AI 활용 가능

AI를 위해 데이터를 준비하는 것은 일회성 작업이 아닙니다. 제품이 발전함에 따라 택소노미도 발전합니다. 데이터를 깨끗하게 유지하려면 지속적인 주의가 필요합니다.

이벤트를 명확하게 정의하고 일관되게 유지할 경우:

• 상담원은 일반 모델이 원시 이벤트 이름을 해석하는 방법뿐만 아니라 비즈니스 요구와 관련된 인사이트를 제공할 수 있습니다.
• 팀은 AI에서 생성된 분석을 수정하거나 재구축하는 데 소요되는 시간을 줄일 수 있습니다.
• 질문은 질문에서 인사이트, 행동으로 더 빨리 전환됩니다. 왜냐하면 첫 번째 답변은 신뢰할 수 있기 때문입니다.

데이터 준비를 위해 다음과 같은 모범 사례에 따라 데이터를 정렬하십시오.

• 이벤트 및 속성 이름을 이해하기 쉽게 만드십시오.
• 기존 데이터의 모호성을 제거하십시오.
• 원치 않는 데이터를 제거하거나 숨기십시오.
• AI에 대한 비즈니스 컨텍스트를 제공합니다.
• 데이터를 시간별로 개선하기 위한 규칙을 수립합니다.

데이터를 정리하는 것만으로는 보고를 개선할 수 없습니다. 이를 통해 AI는 팀이 의존할 수 있는 도구가 되고, 그 과정에서 전체 Amplitude 경험을 강화할 수 있습니다.

이벤트 및 속성 이름을 이해하기 쉽게 만들기

AI는 이벤트 이름, 속성 이름, 표시 이름 및 설명을 기반으로 데이터가 무엇을 나타내는지 이해합니다. 명확한 이름과 설명은 AI가 질문을 올바른 이벤트 및 속성에 맞추는 데 도움이 됩니다. 명확한 이벤트 및 속성 이름과 컨텍스트 설명은 AI를 위해 데이터를 준비하는 가장 효과적인 방법입니다.

예를 들어 귀사의 한 분석가가 "고객은 웹사이트 탐색에서 카테고리를 얼마나 자주 탐색합니까?"라고 묻는 경우가 있습니다.

데이터에 다음과 같은 누락된 정보가 포함되어 있는 경우

AI는 카테고리 탐색이라는 catSelectClick개념과 관련이 없을 수도 있습니다. 표시 이름 및 설명 필드에 정보가 없으면 AI는 팀에서 이를 어떻게 사용하는지 추측할 수 없습니다catSelectClick. 잘못된 이벤트를 사용하여 결과를 반환하거나 일치하는 항목을 찾을 수 없다고 리포트할 수 있습니다. 이는 Amplitude AI에 대한 신뢰를 침식시키고 결국 분석가들은 수동으로 작업을 수행하게 됩니다.

그러나 데이터에 다음과 같은 완전한 문서가 있는 경우:

AI는 질문을 올바른 이벤트에 매칭하고, 정확한 차트를 반환하며, 카테고리별 분석과 같은 후속 분석을 제안할 수 있습니다. 분석가는 인사이트를 생성하려고 노력하기보다 이를 활용하는 데 시간을 보냅니다.

이벤트 및 속성 이름 정렬

가장 많이 쿼리된 이벤트와 속성부터 시작하십시오. 데이터 어시스턴트는 가장 중요한 이벤트와 속성을 식별하는 데 도움을 줍니다. 그런 다음 해당 하위 집합을 업데이트합니다.

• 자연어로 표시 이름 추가하기: 약어 대신 디스플레이 이름을 AI와 사람이 모두 이해하기 쉬운 이름으로 바꾸세요. 예를 들어 catSelectClick가 되고 Category Selected가 pgVw됩니다Page Viewed.
• 구현이 아닌 의도를 설명하는 설명 작성하기: 설명을 업데이트하여 이벤트가 중요한 이유에 대한 맥락을 제공합니다.
  • "nav 구성 요소의 클릭 핸들러에서 발생"이라는 설명은 이벤트가 발생하는 시기를 설명하지만 추가 컨텍스트를 제공하지는 않습니다.
  • '고객이 탐색 메뉴에서 제품 범주를 선택할 때 트리거됨'이라는 설명은 AI에게 사용자 환경에 필요한 컨텍스트를 제공합니다.
• 코딩된 값을 사람이 읽을 수 있는 라벨에 매핑: 속성 값이 sku_29881인 경우 해당 값은 고유한 정보를 포함하지 않으므로 AI는 컨텍스트를 해석할 수 없습니다. 이 SKU는 모든 것과 관련이 있을 수 있습니다. 조회 테이블을 사용하여 이러한 값을 제품 또는 품목 설명에 매핑하십시오. 예를 들어 sku_29881를 Women's BrandX Running Shoe에 매핑할 수 있습니다.

이는 속성별 또는 필터에 사용되는 속성에 특히 중요합니다.

이벤트 범주화: AI의 초점을 좁히기 위해 택소노미를 구성하십시오. 택소노미 계획으로 이동하여 범주화 아키텍처를 설계하십시오. 정의된 택소노미는 동료들에게도 도움이 됩니다.

Amplitude는 디스플레이 이름과 설명을 사용하여 자연어 질문을 올바른 이벤트와 매칭시킵니다. 이것들이 없으면 잘못된 이벤트를 선택하거나 결과 없음 메시지를 반환할 수 있습니다. 이를 통해 모호성을 올바르게 해결할 수 있으며 팀은 결과물을 신뢰할 수 있습니다. 이러한 동일한 개선 사항은 대시보드의 가독성을 높이고 이벤트의 의미에 대해 서로 의견을 주고받는 일을 줄여줍니다.

기존 데이터의 모호성을 제거하십시오.

여러 이벤트가 동일한 작업을 캡처할 때 데이터에 모호성이 발생합니다. 또는 유사한 이벤트 대상 구간의 차이가 명확하지 않을 때 발생합니다. 이는 대시보드와 차트가 유사하거나 동일한 정보를 서로 다른 방식으로 리포트할 때 혼란을 야기합니다. 이는 AI가 분석할 이벤트를 선택할 때 영향을 미칩니다. 왜냐하면 AI는 모호한 데이터가 얼마나 겹치는지 이해하지 못할 수 있기 때문입니다.

예를 들어 택소노미에는 두 개의 played song 및 song played 이벤트가 있습니다. 두 이벤트 모두 사용자가 재생 목록에서 노래를 스트리밍할 때 캡처됩니다. 이들은 동일한 작업을 나타내므로 이들을 단일 이벤트로 변환하여 중복을 제거할 수 있습니다.

비슷한 이름의 이벤트가 서로 다른 정보를 캡처하는 경우 이를 소스를 구별하는 속성을 가진 단일 이벤트로 통합하십시오. 예를 들어 웹사이트를 통해 재생되는 노래를 추적하고 played song앱을 통해 재생되는 노래를 추적하는 경우 플랫폼 속성과 함께 하나의 이벤트를 사용하십시오.song played

팀에 이벤트를 통합할 시간이나 역량이 없다면 개별 이벤트에 명확한 설명을 추가하세요. 설명은 이름이 비슷한 이벤트가 어떻게 다른지를 설명해야 합니다.

그렇다고 해서 순전히 일관성을 위해 이벤트 이름을 바꿔야 한다는 의미는 아닙니다. 예를 들어, played song라는 이벤트가 수년간 존재해 왔으며, 널리 사용되고 있는 경우 제목 대소문자 형식에 맞게Played Song 변경하면 분석가들이 변경을 예상하지 못할 경우 혼란을 야기할 수 있습니다. 의미의 명확성은 형식보다 더 중요합니다. 시간별 서식 및 명명 규칙을 조정할 계획을 세우십시오. 이를 통해 이후 구축 과정 다음 기간동안 일관성이 보장됩니다.

데이터의 모호성 제거

• 의미 중복 감사: 택소노미에서 서로 다른 이름으로 동일한 사용자 행동을 설명하는 이벤트를 검색하십시오. 일반적인 패턴에는 기존 이름 지정 방식과 현재 이름 지정 방식, 플랫폼별 변형(예: signup의 대신), 테스트가 끝난 후 아무도 제거하지 않은 테스트 이벤트가 포함됩니다.ios_signup
• 가능한 경우 병합 또는 트랜스포메이션played song``song_play_event: 동일한 동작을 캡처하는 경우 Amplitude의 병합 또는 트랜스포메이션 기능을 사용하여 이들을 단일 이벤트로 롤링하십시오.
• 병합이 불가능할 경우 명확성을 높이는 설명을 추가하세요. 비슷하게 보이는 두 이벤트가 완전히 다른 동작을 포착하는 경우도 있습니다. 이 경우 설명 필드를 사용하여 "이 이벤트는 X를 캡처합니다. Y의 경우 [다른 이벤트]를 대신 사용하십시오."라고 명시적으로 설명하십시오. 이를 통해 AI와 팀원은 두 이벤트 대상 구간을 구분할 수 있습니다.
• 분명히 사용되지 않는 항목 삭제: 이벤트가 몇 달 동안 발생하지 않았으며 전체 불러오기 차트에서 참조되지 않은 경우 삭제할 수 있습니다.

AI는 이벤트를 선택할 때 사용자의 전체 택소노미를 평가합니다. 중복되거나 의미가 거의 동일한 이벤트는 잘못된 일치를 생성합니다. AI가 분류하는 관련성이 없는 이벤트가 적을수록 올바른 이벤트를 더 일관되게 선택합니다.

이 정리도 팀원들에게 도움이 됩니다. 새로운 프로젝트나 도메인에 온보딩하는 분석가는 이를 확인하기 위해 별도의 노력을 기울이지 않고도 이벤트가 정확하다는 사실을 신뢰할 수 있습니다.

원치 않는 데이터를 제거하거나 숨기기

이벤트를 중심으로 대시보드를 구축할 만큼 충분히 신뢰하지 않는다면 Amplitude AI도 이에 의존해서는 안됩니다. 오래된 이벤트, 테스트 이벤트 및 사용되지 않는 이벤트는 택소노미를 혼란스럽게 만들고 AI 생성 분석에 대한 신뢰도를 떨어뜨리는 노이즈를 유발합니다.

불필요한 데이터 제거

• 사용되지 않거나 오래되었거나 테스트 관련 이벤트 숨기기 또는 삭제: 누군가가 QA 주기에 대한 이벤트를 생성했거나 더 이상 계측되지 않은 경우 표시되는 택소노미에서 해당 이벤트를 제거하십시오.
• 엔터프라이즈 고객의 경우: 자동화된 태스크는 오래된 이벤트를 제거하고 테스트 데이터를 자동으로 식별합니다. 수동 감사를 반복적으로 자동화된 정리 작업으로 바꿉니다.

AI는 분석을 구축할 때 모든 눈에 보이는 이벤트를 잠재적 입력값으로 간주합니다. 원치 않거나 관련이 없는 데이터를 제거함으로써 중요한 이벤트에만 집중할 수 있도록 돕습니다. 신호가 적고 품질이 높아지면 결과의 신뢰도가 높아집니다. 팀의 경우에도 더 작고 더 타겟화된 택소노미를 사용하면 이벤트 검색 속도가 빨라지고, 대시보드가 더 깔끔해지며, 데이터 탐색 시 혼란이 줄어듭니다.

AI를 위한 비즈니스 컨텍스트 제공

명확한 이벤트와 속성은 전체 상황의 일부일 뿐입니다. AI가 진정으로 도움이 되려면 비즈니스 운영 방식과 팀이 성공을 정의하는 방식을 이해해야 합니다.

수익 모델, 내부 용어, 그리고 팀이 '전환', '활성화' 또는 '리텐션'과 같은 지표를 정의하는 방식을 공유하면 Amplitude AI는 팀과 동일한 방식으로 질문을 해석할 수 있습니다. 이러한 공유 컨텍스트를 통해 분석은 원시 이벤트 구조에 전적으로 의존하지 않고 비즈니스 운영 방식을 반영할 수 있습니다.

컨텍스트 제공

_프로젝트 설정 > AI 컨트롤_로 이동하여 다음을 정의하십시오.

• 귀사의 업무와 사용자의 구성원: 이를 통해 AI가 올바른 영역에서 질문을 해석할 수 있습니다. '주문'은 이커머스 기업, 음식 배달 앱 또는 헬스케어 플랫폼에 따라 서로 다른 의미를 가집니다.
• 핵심 지표와 그 정의 방법: 활성화로 간주되는 것은 무엇입니까? 전환? 리텐션? 자격있는 사용자입니까? 구체적으로 설명하세요. 팀에서 사용하는 이벤트, 임계값 및 시간 창을 포함하십시오.
• 내부 용어: 팀에서 "작업 공간", "캠페인", "거래"와 같은 용어를 사용하는 경우 해당 용어가 팀에 어떤 의미인지 정의하십시오. AI는 사용자 질문에서 이러한 용어를 발견하고 이를 올바른 이벤트 및 속성에 매핑합니다.
• 분석 환경설정: AI에 대해 다음 유형의 질문에 답하세요.
  • 일반적으로 주별 또는 월별 세분화를 검토하십니까?
  • 내부 사용자를 분석에서 제외합니까?
  • 표준 세그먼트(예: 무료, 유료 또는 지역별)가 있습니까?

비즈니스 컨텍스트는 Amplitude의 모든 AI 기반 상호작용의 기반 역할을 합니다. 글로벌 에이전트부터 데이터에 구축된 기타 AI 기능에 이르기까지, Amplitude를 사용하는 방법에 대한 컨텍스트는 중요합니다. 컨텍스트가 없으면 AI는 온보딩을 받지 않은 유능한 분석가와 같습니다. AI는 상황에 맞춰 분석을 귀사의 비즈니스 운영 방식, 귀사가 관심을 갖는 대상, 성공을 측정하는 방법에 맞춰 조정할 수 있습니다.

이 컨텍스트를 구성하는 방법에 대한 자세한 내용은 AI 컨텍스트로 이동하세요.

시간별 데이터를 개선하기 위한 규칙 수립

이전 섹션에서는 현재 보유하고 있는 데이터에 대해 설명했습니다. 이 섹션에서는 구축 규모가 커짐에 따라 데이터 구조를 보호하는 데 중점을 둡니다.

Amplitude 여정을 시작할 때부터 이벤트를 올바르게 계측하는 것이 나중에 통합, 병합 또는 정리하는 것보다 쉽습니다. AI는 데이터 패턴이 일관성을 유지하고 명칭이 예측 가능할 때 가장 효과적입니다. 명확한 규칙은 재작업을 줄이고 중복을 방지하며 새로운 팀, 기능 및 사용 사례를 추가할 때 데이터 품질을 유지하는 데 도움이 됩니다. 또한 이러한 모범 사례에 부합하면 신입 팀원과 AI가 데이터 모델을 더 쉽게 이해할 수 있습니다.

규칙 수립

• 명명 규칙을 정의하고 Amplitude Data의 설정에 이를 문서화하십시오. 형식(예: 이벤트의 경우 Title Case, 속성의 경우 snake_case)을 선택하고 구현 중에 이를 적용하십시오.
• 추적 계획을 사전에 사용하십시오. 계측이 시작되기 전에 이벤트 정의를 추가하십시오. 추적 계획은 단일 진실 소스이며 나중에 병합하거나 이름을 변경하는 것보다 작업 초기에 항목에 올바른 이름을 지정하는 것이 더 쉽습니다.
• 구현 검토에 명명 표준 포함: 택소노미 위생을 코드 검토와 동일한 방식으로 처리하십시오. 출시되기 전에 문제를 파악하십시오.

일관된 명칭은 AI가 내려야 하는 명칭 해소 결정의 수를 줄여줍니다. 패턴을 예측할 수 있을 때, AI는 이전에 쿼리된 적이 없는 이벤트에 대해서도 질문을 이벤트와 확실하게 매칭시킬 수 있습니다. 또한 팀의 경우 규칙은 재작업을 줄이고 중복을 방지하며 새로운 팀원이 가이드 투어 없이도 데이터 모델을 쉽게 이해할 수 있도록 해줍니다.