Як користуватися ChatGPT в роботі бізнес аналітика

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Сьогодні вже неможливо уявити R&D команду, яка б не стикалася із штучним інтелектом в своїй роботі: відповідні рішення для багатьох є і об’єктом розробки, і частиною щоденного набору інструментів, що спрощують роботу, підвищують якість результатів та дозволяють економити час.

Тим не менш, ефективне впровадження інструментів AI в роботу нашого офісу бізнес аналіза в компанії Yalantis зайняло досить довгий час. В цій статті мені хотілося б поділитися тим підходом, який ми обрали щодо використання AI, і зокрема ChatGPT, в нашій роботі, а також певними практичними рекомендаціями, які ми впроваджуємо на наших проектах.

В рамках реалізації нашої стратегії, мені випало підготувати внутрішній курс на тему прийомів використання штучного інтелекту в роботі бізнес аналітиків. Коли я поділилася з одним із технічних лідів свого проекту цією новиною, він іронічно зітхнув: «Ну все, the end is near. Якщо вже і бізнес аналітиків замінить AI, то всім нам, людям, в IT скоро не буде місця.»

Чи це дійсно так? І чи можна замінити бізнес аналітика AI? Давайте розбиратися.

Стратегія використання Gen AI в щоденній роботі БА

Одразу скажу, що персонально я притримуюся думки, що заміни не відбудеться, ані повної, ані часткової. Наш БА офіс обрав іншу стратегію використання AI: підвищення якості роботи бізнес аналітика та ефективності нашої діяльності за рахунок додаткового використання інструментів штучного інтелекту, в нашому випадку — Gen AI у вигляді ChatGPT.

Замість того, щоб «делегувати» певні завдання AI, ми перш за все використовуємо його, щоб збільшити глибину та ширину досліджень, що проводить бізнес аналітик, залучити структурований досвід ринку та існуючих рішень, отримати «другу думку» щодо питань та завдань, які перед нами виникають.

Без такого зручного інструмента як, наприклад, ChatGPT, все це потребувало би непропорційно великих інвестицій часу — але з залученням Gen AI, ми можемо робити свою роботу більш усвідомлено та впевнено, не ризикуючи при цьому зірвати строки поставки вимог та прийняття рішень.

Що варто пам’ятати

Коли на сцену виходить Gen AI, з його магією обробки та створення контенту, важливо пам’ятати про так званий ownership результатів роботи.

Використовуючи AI як інструмент, бізнес аналітик все одно має володіти кожним елементом продуктової інформації, як тієї, яку він отримує від стейкхолдерів або в ході своїх досліджень, так і тієї, що він створює сам. Бізнес аналітик має на 100% розуміти, для чого додано той чи інший acceptance criterium, як працює та чи інша запропонована опція рішення, або чому саме такий флоу користувача є високо пріоритетним.

Тож нашою загальною рекомендацією є ставлення до Gen AI саме як до інструменту, використовуючи який бізнес аналітик пропускає через себе, опрацьовує та співставляє з унікальним контекстом продукту та команди будь-який output, до того як він опиниться в адженді на дискусію із стейкхолдерами, буде презентований команді або стане частиною продуктової інформації.

Ми наполегливо рекомендуємо НЕ використовувати Gen AI для таких задач як, наприклад:

  • Вичитування та підготовка саммарі по вхідних матеріалах клієнта. Особливо це стосується матеріалів, отриманих на початку проекта або чергового його етапу, які містять деталі візії та очікувань стейкхолдерів. Всі нюанси важливі в таких документах, включно із стилем викладення думок. Інколи малопомітний нюанс, що здавалося б випадає із загального викладення, стає початком надважливої дискусії.
  • Структурування та формалізація інформації щодо бізнес контексту та бізнес вимог. Унікальний контекст бізнесу та бачення стейкхолдерами тієї business opportunity, якою вони хочуть скористатись за допомогою відповідного рішення, може включати в себе як раціональні, так і емоціональні аспекти, ефективні і неефективні попередні рішення, власний досвід стейкхолдерів—позитивний та негативний,— а також їх інтуїцію, мрії та сподівання. Дуже важливо отримати та опрацювати цей контекст безпосередньо, не узагальнюючи та не заповнюючи потенційні прогалини певним усередненим підходом індустрії.
  • Написання user stories. Скільки б контексту ми не надали такому інструменту як ChatGPT, результуючі детальні вимоги, згенеровані цим інструментом, не будуть враховувати всі потенціальні зв’язки із суміжним функціоналом, містити рівень конкретизації, якого очікує команда розробки, не будуть на 100% адаптовані під формат та стиль, який очікують стейкхолдери і так далі. Доопрацювання підготовлених за допомогою Gen AI заготовок таких stories може займати стільки ж або навіть більше часу, ніж підготовка власних вимог на базі вхідної інформації, при чому ризик впустити щось важливе в ідеально «причесаній» чернетці від ChatGPT зростає.

Для чого ж варто використовувати ChatGPT? Де він може приносити додаткову цінність, залишаючи при цьому бізнес аналітика повним володарем продуктової інформації? Давайте переглянемо певні ідеї щодо залучення цього інструменту як на етапі discovery проекту, так і на фазі активної розробки.

Напрямки та прийоми використання ChatGPT під час discovery

Протягом discovery фази ChatGPT може стати дуже ефективним помічником в швидкому та ефективному дослідженні домену, розумінні ключових понять та правил, типових моделей впровадження та використання рішень, і очікувань користувачів.

Використання ChatGPT дозволяє швидко зорієнтуватися в складному та/або новому для себе домені, додати глибини та базового контексту бізнес вимогам та очікуванням стейкхолдерів, напрацювати запас опцій рішень, та якомога швидше почати говорити із зовнішніми стейкхолдерами однією мовою, мінімізуючи витрати їх часу на пояснення загальних речей.

Нижче ми розглянемо деякі приклади такого використання ChatGPT.

Дослідження домену: ключові поняття та зв’язки

Дослідження домену варто починати з детального вивчення вхідних матеріалів від основних стейкхолдерів, включно із описом основного бізнесу, з яким ми маємо працювати (наприклад, на веб сайті компанії). В ході такого дослідження ми можемо починати складати перелік основних ключових слів — термінів, в яких описано домен, цільові групи користувачів, потенційне рішення, його основні компоненти.

На наступному кроці ми можемо використати саме ці терміни для того, щоб описати контекст для ChatGPT и попросити його пояснити ролі та логічні звʼязки між нашими ключовими поняттями.

Приклад промпту:

There is a <domain> platform/app/system for <main usage, based on positioning>. It includes <list of keywords, presumably domain key entities/components>. Can you explain the roles and logical relations between <list of keywords, presumably domain key entities/components>?

Вдалим артефактом для того щоб задокументувати і провалідувати із стейкхолдерами результати такого дослідження, може стати Entity Relationship Diagram (ERD).

Типові user flows

На етапі діскавері важливо розуміти високорівневий workflow типового розгортання, впровадження та використання системи. ChatGPT може допомогти нам:

  • Скласти уявлення про те, як подібний продукт впроваджується та використовується, а також які бізнесові передумови для цього потрібні.
  • Зрозуміти аспекти [типового] процесу онбордингу продукту, зокрема, звідки надходять необхідні дані та як налаштовуються потрібні з’єднання з іншими бізнес-підрозділами.
  • Визначити загальний сценарій використання і ключові кейси використання.
  • За потреби, перейти до більш детального опрацювання користувацьких робочих процесів, специфічних для окремих ролей.

Приклади промптів:

Describe a typical deployment with its components of <usage context> with <such product>.

For a <our solution>, what a typical end-to-end user workflow would look like?

What a typical set of use cases might be for <such product>?

Дослідження ринку та конкурентів

Ще одним ефективним напрямом залучення ChatGPT на етапі попереднього дослідження є аналіз ринку.

Окрім того, що ми можемо отримати певний огляд лідуючих продуктів, а також релевантний узагальнений аналіз тих рішень-конкурентів, які назвали нам стейкхолдери, ми можемо проаналізувати загальні очікування ринку: які фічі вважаються перспективними, модними й сучасними, а які вже давно стали нудними, але абсолютно необхідними й сприймаються як само собою зрозумілі компоненти рішення.

Ці ідеї допоможуть нам краще розуміти роадмапу майбутнього продукту та додадуть контекста рішенням стейкхолдерів щодо пріоритезації.

Приклади промптів:

What are the market leader products for <domain / business use case / business use case with context>?

What are the key features of <competitor>? Can it be called a market leader in <business case>?

What are the must-have features for a modern <business case> system?

What are the trending, innovative features that a <business case> software solution requires to be competitive in the next few years?

Додаткові ідеї

Побудова потужних глосаріїв

Нажаль, часто глосарій на проекті складається нашвидкуруч, може бути формальністю, та тільки з плином часу набуває достатній обʼєм контенту. В той самий час, чим швидше починає команда оперувати термінологією клієнта, тим ефективніше йде комунікація на цих надважливих перших етапах.

ChatGPT може допомогти нам, з мінімальними інвестиціями часу, створити глосарій з:

  • Компактними, узагальненими означеннями, що не просто скопійовані з одного джерела.
  • Синонімами, альтернативними назвами, конкретними прикладами загальних понять.
  • Означеннями та описами, що містять взаємне згадування термінів, консистентні, семантичні фрази, що сприяють кращому розумінню термінології в цілому.
  • Означеннями пов’язаних сутностей, які не є прямими компонентами системи, а, наприклад, компонентами бізнес процесів або суміжних систем.

Приклади промптів:

Put together a glossary of main terms for <this product> including main alternative names for the key entities.

Add the <related system> main components.

Can you add some examples of <specific component type>?

Інсайти про профілі користувачів / User personas

Розуміння користувачів продукту, їхніх ролей та бекграунду — це ще один важливий вектор для загального розуміння концепції рішення.

Стейкхолдери можуть поділитися своїм баченням щодо користувачів рішення заздалегідь. Незалежно від того, наскільки деталізованим є їхнє бачення на етапі дослідження, варто провести власне незалежне дослідження, починаючи з нуля.

Під час дослідження варто зосередитися насамперед на бізнесових ролях потенційних користувачів, а також на ширшому бізнес-кейсі, частиною якого має стати продукт. Це дозволить виявити більше зацікавлених сторін і потенційні майбутні ролі користувачів.

Приклади промптів:

What are the typical user roles and user profiles within a <such product> for <domain>?

What a typical <business role> involvement might be? What they might be responsible for in a <general system / our product> deployment and <its management, monitoring, functioning / business case>? What would their user roles and permissions be?

Підготовка до воркшопу з нефункціональних вимог (NFR)

Залучаючи ChatGPT, ми можемо:

  • Визначити ключові групи нефункціональних вимог, які слід враховувати.
    Отримати інсайти щодо того, які саме групи нефункціональних вимог є актуальними для нашого проекту чи домену.
  • Проаналізувати відповіді та визначити доменно-специфічний набір вимог.
    Відфільтрувати зібрані дані, щоб зосередитись на тих аспектах, які найбільш важливі для воркшопу.
  • Дослідити типові нефункціональні вимоги для доменно-специфічних груп.
    Заохочуючи клієнта описувати їхні специфічні вимоги, ми можемо використовувати такі «типові» значення як перевірку реалістичності їхніх очікувань.
  • Отримати підказки щодо відповідності регулятивним нормам.
    Завжди добре мати свою підказку щодо того, які нормативні вимоги слід обговорити зі стейкхолдерами.

Приклади промптів:

For a <solution>, what would be the relevant types of non-functional requirements to explore before building it?

What a typical <requirement group> requirement would be for a <solution, usage context>?

Are there national, industry-specific, or global compliance regulations a <solution> should meet?

Which standards is it legally required to follow when developing a <solution>?

Залучаємо ChatGPT на етапі активної розробки

В той час як на discovery ми працюємо з Gen AI в широкому контексті, ми відкриті до пошуків та усіх наявних альтернатив, для ефективного використання Gen AI на етапі розробки нам потрібно звузити контекст, щоб отримувати релевантні відповіді.

В цій фазі ми маємо структурувати та формалізувати контекст продукту, нашого рішення. А оскільки ми плануємо регулярно використовувати GenAI у повсякденній роботі, необхідно також знайти спосіб ефективного повторного використання цього контексту для наших майбутніх запитів.

Однозначного визначення контексту продукту не існує, але можна запропонувати наступну орієнтовну структуру, яка буде корисною для подальшої роботи з ChatGPT:

  • Чим є те рішення, яке ми розробляємо?
  • Який його домен / піддомен, які ключові потреби воно вирішує?
  • Хто є основними цільовими групами користувачів?
  • Які фундаментальні рішення були прийняті в контексті стратегії продукту? Який глобальний підхід до задоволення потреб користувачів було обрано серед доступних альтернатив?
  • Як розробляється це рішення (команда, яка працює над ним, наявні бізнес-передумови, наприклад, власне апаратне забезпечення або існуюча legacy версія)?
  • Глобальні ключові терміни продукту, наприклад, назви груп користувачів, компонентів системи, самого продукту тощо. Такі терміни можуть бути як брендовим, так і дебрендованими, але вони будуть виступати в продуктовій інформації як відповідні власні назви.

Формалізація та документування такого структурованого контексту може вирішувати багато завдань окрім конфігурації запитів Gen AI: наприклад, вона буде корисною для онбордінга нових членів команди.

Ефективним способом використання такого формалізованого контексту саме для роботи з ChatGPT, є створення на його базі так званого Custom GPT.

Custom GPT — це персоналізована версія моделі ChatGPT, яку можна налаштувати для виконання конкретних завдань або взаємодій. Вона дозволяє користувачам визначати контекст, поведінку та знання моделі, що робить її придатною для спеціалізованих сценаріїв, таких як дослідження та розробка продукту та дизайн рішень із заздалегідь визначеним контекстом щодо продукту та його R&D стратегії.

Такий підхід надає ряд переваг:

  • Будь-яка нова розмова вже має попередньо встановлений контекст
  • Можна ділитися з командою «адаптованою» на базі контексту моделлю
  • Модель може бути детально налаштована та вдосконалюватися з часом за рахунок додавання нових елементів контексту
  • Використання такої моделі дозволяє відокремити ключовий контекст від шуму попередніх відповідей та запитів, що накопичуються в розмові із ChatGPT.

Серед потенційних обмежень можна відмітити:

  • Custom GPT доступні тільки в платних підписках ChatGPT.
  • Створення та подальша підтримка custom GPT потребує часу.

Приклад побудови Custom GPT на базі контексту продукта

Custom GPT логічно визначається такими аспектами:

Очікувана поведінка (роль), наприклад:

  • Бот підтримки клієнтів
  • Експерт із предметної області / консультант
  • Рецензент тону документа та граматики
  • Асистент, який допомагає командам R&D проектувати та будувати програмний продукт

Контекст предметної області:

  • ...що допомагає пацієнтам у роботі з онлайн-порталом клініки
  • ...що надає інформацію щодо особливостей, правил та процесів клінічних випробувань США
  • ...що покращує публічну комунікацію фонду, який підтримує дітей з інвалідністю
  • ...який є cloud IIoT платформою для моніторингу систем стислого повітря

Для створення custom GPT використовується окремий редактор, де ми за допомогою prompts формуємо глобальний контекст подальших розмов.

Безумовно, сценарії, обʼєм та структура інформації, яка буде використана на цьому етапі, може дуже відрізнятися від проекта до проекта. Нижче наведено покроковий приклад налаштування custom GPT, який може використовуватися бізнес аналітиком при моделюванні та опрацюванні функціональності певного програмного продукта.

Сценарій конфігурування

Роль: Опишіть очікувану поведінку GPT.

Приклад промпту:

Create an assistant, subject matter expert in the field of <domain> software. This assistant should consult a business analyst, system analyst and R&D team, who build a <solution> for <key use case> from scratch. This assistant should help with modeling and implementing features and user workflows, provide insights on typical use cases, usage scenarios and user expectations for a <solution>. This assistant should use industry best practices and provide insights from leading <domain> software products.

Огляд клієнта: Опишіть команду, яка працює над продуктом.

Візія продукту: Опишіть тип рішення, домен, ключові сценарії використання та характеристики (наприклад, як у Product Vision Board).

Приклад:

Цільові користувачі: Опишіть основні групи користувачів з іменами, які ви будете використовувати у розмовах.

  • Групуйте користувачів за їхніми бізнесовими характеристиками та потребами (це ще можуть бути не конкретні ролі в системі).
  • Надайте короткий опис активностей групи користувачів з точки зору впровадження рішення (не функціональні можливості, які вони використовуватимуть, а їхня діяльність у бізнес-контексті).
  • Присвойте кожній групі користувачів конкретну назву, до якої ви будете звертатися надалі.

Приклад промпту:

Let’s add info about the platform target users. There are <three> main user groups of the platform: 1. <business user group description> We will call this group <group 1 name>. 2. ...

Цільовий сценарій роботи: Надайте високорівневий сценарій використання «від початку до кінця», включаючи опис впровадження, з використанням назв груп користувачів.

  • Структуруйте інформацію навколо ключових груп користувачів, використовуючи їхні назви.
  • Вкажіть будь-які припущення або передумови щодо середовища, де продукт буде впроваджений.
  • Сфокусуйтеся на сценаріях впровадження продукту, а потім переходьте до регулярного використання вже розгорнутого рішення.
  • Опишіть сценарій, використовуючи високорівневі ключові кроки.

Приклад промпту:

Let’s add info about <solution> deployment. It is assumed that <assumption(s)>. There are <two> main deployment scenarios the platform should support: 1. <user group 1 scenario> 2. <user group 2 scenario>

[опціонально] Назви компонентів: Якщо це доцільно на цьому етапі, додайте назви ключових компонентів і функцій, які ви будете використовувати у розмовах.

[опціонально] Відповідність нормативам: Якщо ваші нефункціональні вимоги включають дотримання певних стандартів або регуляцій, згадайте про це також.

Приклад промпту:

The platform should be compliant with <regulation/standard name>. When providing responses, the assistant should explicitly indicate which features, workflows, or requirements are added to comply with <regulation/standard name>.

Використання Custom GPT в моделюванні функціоналу

Не завжди часові рамки проекту дозволяють нам провести повноцінне попереднє дослідження майбутньої фічі перед тим, як обговорювати її із стейкхолдерами, та в процесі цієї елісітації. Але ми завжди прагнемо дізнатися:

  • Чому користувачі будуть використовувати цю фічу? Чому вона важлива? Які потреби вона вирішує?
  • Які очікування користувачів? Що вони хочуть бачити у цій фічі?
  • Як наші конкуренти реалізують цю фічу? Який типовий workflow?
  • Які реальні сценарії використання цієї фічі? Який контекст її фактичного використання, приклади? Проти яких кейсів і сценаріїв потрібно перевірити дизайн фічі?
  • Які можуть бути потенційні corner cases, коли ця фіча не працюватиме, як очікувалося? Як можна з ними впоратися?

За допомогою раніше побудованого custom GPT із нашим продуктовим контекстом ми можемо провести пре-елісітацію, щоб:

  • Отримати практичне розуміння реального контексту використання фічі, особливо в «неочевидних» середовищах, без витрати днів на дослідження.
  • Заощадити час на загальному онбордінгу зі стейкхолдерами, і на елісітації зосередитися більше на конкретних аспектах фічі та виборі підходу саме в нашому продукті.
  • Отримати потенційні варіанти рішень для використання як початкові ідеї для збору вимог.
  • Підготувати змістовну адженду на елісітацію, передбачити потенційні прогалини і спірні місця у дискусіях про workflow та вимоги.

Коли елісітацію проведено і ми переходимо до деталізації вимог, ми можемо отримати «другу думку» щодо:

  • Потенційного скоупу MVP з урахуванням цільових груп користувачів та їхніх очікувань; ідеї щодо подальшого спрощення flow, якщо це потрібно.
  • Ідей декомпозиції та порядку реалізації з точки зору ефективності розробки та тестування.
  • Потенційних деталей ефективних validation rules, особливо для специфічних технічних або бізнесових параметрів.

І наостанок ми можемо скористатися силою рецензування:

  • Попросити переглянути та відредагувати наші user stories для кращої структури та формулювань (ChatGPT ідеально підходить для цього).

Спільне використання в межах команди

Custom GPT підтримує поширення через посилання з іншими членами вашої ChatGPT команди, яким він також може бути корисний:

  • UI/UX-дизайнерами — для інсайтів та ідей щодо візуального дизайну фіч.
  • QA-фахівцями — для допомоги з планами тестування та тест-кейсами для конкретних user stories або сценаріїв «від початку до кінця» функціонального блоку.
  • Будь-яким членом команди, який розпочинає власне дослідження і потребує для цього формалізованого контексту продукту.

Резюме

На мою думку, Gen AI навряд чи зможе замінити бізнес аналітика в його щоденній роботі з невизначеністю та унікальними контекстами продуктів та бізнесів. Не стане він і замінником скілів БА: Junior BA, озброений ChatGPT, не перетвориться на Middle BA.

Однак Gen AI, і зокрема ChatGPT, може стати потужним інструментом, який дозволить при помірних інвестиціях часу значно покращити глибину та обсяг опрацювання продуктової інформації, підготовку до елісітацій, розширити спектр рекомендованих варіантів рішень, а також надасть змогу більш ефективно використовувати час проектних стейкхолдерів.

В цій статті ми розглянули одну з можливих стратегій використання ChatGPT в роботі офісу бізнес-аналізу, разом із детальним прикладом побудови необхідного продуктового контексту та його ефективного використання на проекті у форматі Custom GPT. Безумовно, така стратегія може і має бути адаптована під конкретний продукт, проект та команду, з якими ви працюєте, але сподіваюсь, що наведені ідеї будуть корисними вам в межах ваших власних експериментів.

👍ПодобаєтьсяСподобалось4
До обраногоВ обраному0
LinkedIn
Дозволені теги: blockquote, a, pre, code, ul, ol, li, b, i, del.
Ctrl + Enter
Дозволені теги: blockquote, a, pre, code, ul, ol, li, b, i, del.
Ctrl + Enter

Підписатись на коментарі