8. Februar 2023

GPT-3, Stable Diffusion und Web-Analyse-Aufgaben

Tipps & Tricks

1 min Lesezeit

Inhalt

GPT-3, Stable Diffusion und Web-Analyse-Aufgaben 1. Entscheidungsfindung (Decision support) 2. Systemzustandsmeldung (System health indication) 3. Leistungsrückmeldung (Performance feedback) 4. Ursachenanalyse (Root cause analysis) 5. Wissensaufbau (Knowledge creation) 6. Schwachstellenfindung (Vulnerability assessment) 7. Priorisierung (Prioritization)

von Katrin Nebermann

GPT-3, Stable Diffusion und Web-Analyse-Aufgaben

Ob Deep-Learning Text- oder Text-zu-Bild-Generator, die aktuelle Entwicklung von KI-Projekten ist beeindruckend. Allerdings hängt die Qualität des Ergebnisses maßgeblich von den Eingabeaufforderungen bzw. Fragestellungen ab. Hier ist also noch menschliche Intelligenz gefragt.

In der Web-Analyse ist ebenfalls die Aufgaben- bzw. Fragestellung entscheidend. Und es braucht Datenprofis, um diese Fragen anhand der Daten zu beantworten. Bei Letzterem werden zukünftig sicherlich Methoden der künstlichen Intelligenz helfen.

Grund genug, sich einmal typische Fragen und Aufgaben im Bereich der Web-Analyse anzuschauen:

1. Entscheidungsfindung (Decision support)

Sollte ich mehr Videos anbieten, um die Konversionsrate zu steigern? Stimmt es, dass zweiminütige Videos besser performen als längere?

2. Systemzustandsmeldung (System health indication)

Bewegt sich meine Konversionsrate im „grünen Bereich“? Welche KPIs haben sich wie verändert?

3. Leistungsrückmeldung (Performance feedback)

Habe ich das Ziel erreicht, die Konversionsrate zu steigern?

4. Ursachenanalyse (Root cause analysis)

Warum ist die Konversionsrate gesunken? Wurden vielleicht viele neue Besucher angesprochen?

5. Wissensaufbau (Knowledge creation)

Welche Faktoren beeinflussen die Konversionsrate?

6. Schwachstellenfindung (Vulnerability assessment)

Wo verliere ich besonders viele Konversionen im Prozess?

7. Priorisierung (Prioritization)

Sollte ich mich eher um den Checkout-Prozess oder die Landingpages kümmern?

Daten-Analysten werden also auf absehbare Zeit nicht von Algorithmen ersetzt. Vielmehr verspricht die Kombination aus menschlicher und künstlicher Intelligenz noch größeren Mehrwert aus dem Datenschatz. Außerdem steht und fällt das Niveau des Reportings mit der Datenbasis, denn das Prinzip „Garbage in, Garbage out“ (wörtlich „Müll rein, Müll raus“ oder kurz GIGO) trifft ebenso auf Deep-Learning-Projekte wie auf Web-Analyse zu. Besonders gefährlich sind Verzerrungen in der Datenbasis, bei künstlicher Intelligenz beispielsweise durch Diskriminierung in den Datensätzen, in der Web-Analyse durch Consent-Bias (einwilligungsbedingte Verzerrung).

Inhalt