Horizon Context: Nutzen Sie Ihr Geschäftswissen für KI

Eine Führungskraft fragt einen KI-Agenten: Warum ist die Kundenbindung in diesem Quartal gesunken? Bevor er eine nützliche Antwort liefern kann, muss der Agent wissen, wie Ihr Unternehmen Kundenbindung definiert, welche Kundendaten verwendet werden sollen und wie diese Daten mit den Berichten zusammenhängen, auf die sich Ihre Teams verlassen. Eine flüssige Erklärung reicht nicht aus, wenn sie von der falschen Definition oder dem falschen Dataset ausgeht.

Ein Großteil dieses Wissens ist in Ihrem Unternehmen bereits vorhanden. Es steckt in Geschäftsberichten, Transformationslogik, Datendokumentation und der Erfahrung Ihrer Teams. Wenn es verstreut bleibt, muss es für jeden neuen KI-Anwendungsfall von Menschen neu zusammengetragen werden. Das bedeutet mehr Vorbereitung für Entwickler:innen, mehr Validierung für Analyst:innen und einen längeren Weg von einer geschäftlichen Frage zu einer Entscheidung.

Auf dem Snowflake Summit haben wir Horizon Context vorgestellt: eine verwaltete Kontextschicht innerhalb von Horizon Catalog, die Metadaten sammelt, sie mit geschäftlicher Bedeutung anreichert und sie für Menschen, BI-Tools und KI-Agenten nutzbar macht.

Metadaten-Konnektoren für 18 Quellen, gezielte Berechtigungen für Stewards zur Pflege von Beschreibungen und die automatische Weitergabe von Beschreibungen an unterstützte nachgelagerte Spalten sind jetzt in Public Preview. Zusammen mit dem kürzlich neu gestalteten Horizon Catalog Explorer helfen diese Funktionen Teams dabei, vorhandenes Datenwissen für KI und Analytics zu entdecken, anzureichern und wiederzuverwenden.

Mit Horizon Context können Teams:

• Daten vor der Nutzung verstehen – mit einer konsistenten Katalogerfahrung, die Definitionen, Tags und Kontakte in den Vordergrund rückt.
• Vorhandenes Datenwissen wiederverwenden – aus Berichten, Datenbanken und Pipelines, anstatt es für jeden KI-Anwendungsfall neu zu rekonstruieren.
• Probleme beheben und die Auswirkungen von Änderungen bewerten – mithilfe von verbundener Lineage über unterstützte Quellen, Transformationen und BI-Tools hinweg.
• Fachexpert:innen in die Kontextpflege einbeziehen – ohne umfassendere Kontrolle über die zugrunde liegenden Daten zu gewähren.
• Den Wartungsaufwand für die Dokumentation reduzieren – durch die Weitergabe von Beschreibungen an unterstützte nachgelagerte Spalten.
• KI und Analytics in einem gemeinsamen Kontext verankern – und so die Notwendigkeit reduzieren, Wissen in jeder Applikation oder jedem Prompt neu zu erstellen.

In unseren Kundengesprächen geht die Begeisterung für KI mit praktischen Erwartungen einher: Menschen dabei zu helfen, die richtigen Daten zu finden, ihre Bedeutung klarzumachen und die Abhängigkeit von einer kleinen Gruppe von Expert:innen zu verringern. Teams schätzen es, die Quelle hinter einem Bericht zu sehen und Dokumentationen wiederzuverwenden, anstatt sie immer wieder neu zu pflegen. Diese Bedürfnisse sind noch wichtiger, wenn Menschen Datenarbeit an Agenten delegieren.

Mit zunehmender KI-Einführung führt die Pflege separater Anweisungen und Definitionen für jeden Agenten zu mehr Arbeit und mehr Möglichkeiten für Inkonsistenzen. Eine gemeinsame, verwaltete Kontextschicht bietet Teams eine Grundlage, die sie über Anwendungsfälle hinweg wiederverwenden können, anstatt das Geschäftsverständnis jedes Mal als neues Integrationsprojekt zu behandeln.

Horizon Context verbindet drei Teile dieser Grundlage: die Belege in Ihren Datensystemen, das Wissen Ihrer Fachexpert:innen und die Tools, die beides nutzen. Das Ziel ist es, weniger Zeit mit der Rekonstruktion von Kontext zu verbringen und mehr Zeit damit, ihn auf Geschäftsentscheidungen anzuwenden.

Ihr Unternehmen hat bereits in die Berichte und Daten-Pipelines investiert, die das Geschäft am Laufen halten. Deren Metadaten erfassen wertvolle Belege darüber, wie Daten strukturiert, transformiert und genutzt werden. Die Bereitstellung dieser Belege bietet KI-Entwickler:innen einen besseren Ausgangspunkt als isolierte Tabellennamen und Spaltenlisten.

Die Metadaten-Konnektoren von Horizon Catalog unterstützen jetzt 18 Quellen über Datenbanken, BI- und Daten-Pipeline-Tools hinweg. Dazu gehören Power BI, Tableau, Looker, Sigma, Hex, dbt, SQL Server, Oracle, PostgreSQL, Databricks und BigQuery.

Abhängig vom Konnektor und seiner Konfiguration sammelt Horizon Context Schemata, Abfrageprotokolle, Dashboard-Definitionen und Nutzungssignale. Teams können externe Assets neben Snowflake-Objekten durchsuchen, ihre Metadaten durchsuchen und plattformübergreifende Lineage aus dem Katalog heraus erkunden.

Der neu gestaltete Horizon Catalog bietet eine konsistente Erfahrung, die Datendefinitionen, Tags und Kontakte in den Mittelpunkt stellt. Business-Analyst:innen können Daten-Assets leicht finden und verstehen, was sie bedeuten, wie sie verwendet werden können und an wen sie sich bei Fragen wenden können. Zusammen mit Metadaten-Konnektoren macht dies Horizon Catalog zu einer zentralen Anlaufstelle für das Verständnis von Daten über Snowflake und verbundene Systeme hinweg und hilft Teams und Agenten, die richtigen Daten zu entdecken und sie mit einem gemeinsamen Geschäftskontext zu nutzen.

Wenn ein Bericht zur Kundenbindung einen unerwarteten Rückgang zeigt, müssen Teams untersuchen, ob dies eine geschäftliche Veränderung oder ein Datenproblem widerspiegelt. Über unterstützte, verbundene Systeme hinweg hilft ihnen Lineage dabei, den Bericht durch Transformationen bis zu seinen Quelldaten zurückzuverfolgen und zu identifizieren, wo sie nachforschen müssen. Bevor sie eine vorgelagerte Tabelle oder Spalte ändern, können sie denselben Abhängigkeiten nachgelagert folgen, um zu beurteilen, welche Berichte betroffen sein könnten.

Snowflake CoCo bringt diesen Kontext in einen KI-gestützten Workflow. Teams können Fragen stellen wie „Woher stammt dieses Kundenbindungs-Dataset?“ oder „Welche nachgelagerten Berichte hängen von dieser Spalte ab?“. CoCo kann verfügbare Lineage nutzen, um bei der Untersuchung von Problemen und der Bewertung der Auswirkungen von Änderungen zu helfen, wodurch die Notwendigkeit verringert wird, Abhängigkeiten manuell zu rekonstruieren.

Diese Konnektoren sammeln Metadaten; sie erfordern keine Replikation der zugrunde liegenden Datasets in Snowflake. Sie machen vorhandenes Datenwissen leichter auffindbar und wiederverwendbar, während verwaltete Geschäftsdefinitionen die zusätzliche Bedeutung liefern, die zu seiner Interpretation erforderlich ist.

Die Personen, die Kundenbindung verstehen, sind möglicherweise nicht die Personen, die die Datenbank verwalten. Dennoch ist ihr Wissen über Kundenstatus, Ausschlüsse und Berichtskonventionen für die Interpretation der Daten unerlässlich. Die Erfassung dieses Wissens sollte nicht davon abhängen, dass Engineers jede Klärung in eine Dokumentation übersetzen.

Die Sichtbarkeit von Metadaten trennt das Durchsuchen des Katalogs vom Zugriff auf die zugrunde liegenden Daten. Mit den entsprechenden Metadaten-Berechtigungen können Nutzer:innen Kataloginformationen und Lineage erkunden, ohne die Berechtigung zur Abfrage der Daten selbst zu erhalten.

Das neue APPLY COMMENT-Privileg bietet Administrator:innen zudem eine gezielte Möglichkeit, Stewards das Bearbeiten von Objekt- und Spaltenbeschreibungen zu ermöglichen, ohne umfassendere Privilegien wie MODIFY oder OWNERSHIP zu gewähren.

Dies gibt Fachexpert:innen eine direkte Rolle bei der Verbesserung des Kontexts, den Menschen und KI-Workflows nutzen können, während Administrator:innen die Kontrolle über den Datenzugriff behalten. Eine Klärung wird zu wiederverwendbarem Wissen neben den Daten, anstatt zu einer Antwort, die in einem Chat-Thread oder dem Prompt eines Agenten verbleibt.

Eine KI-Initiative benötigt Kontext, den Teams pflegen können, und nicht nur eine Dokumentation, die für ihre erste Demo vorbereitet wurde. Wenn dieselbe Kundenkennung in mehreren nachgelagerten Ansichten vorkommt, bedeutet das wiederholte Kopieren ihrer Beschreibung mehr Arbeit, ohne dass dies einen Mehrwert bringt. Fehlende oder inkonsistente Beschreibungen lassen sowohl Analyst:innen als auch KI-Workflows mit weniger Kontext zurück, mit dem sie arbeiten können.

Die Weitergabe von Spaltenbeschreibungen nutzt Spalten-Lineage, um Beschreibungen an unterstützte nachgelagerte Spalten zu übertragen, wenn deren Werte unverändert weitergegeben werden. Beispielsweise kann eine Beschreibung einer Kundenkennung dieser Spalte in eine nachgelagerte Ansicht folgen, selbst wenn die Spalte umbenannt wird.

Die Weitergabe stoppt, wenn Werte transformiert, kombiniert oder aggregiert werden, und sie überschreibt keine Beschreibungen, die direkt in nachgelagerte Spalten geschrieben wurden. Teams können weitergegebene Beschreibungen von benutzergeschriebenen unterscheiden. Sobald dies aktiviert ist, reduziert es wiederkehrende Wartungsarbeiten, während die Eigentümer:innen die Kontrolle über die Bedeutung behalten, sodass sich Expert:innen auf die Definitionen konzentrieren können, die Urteilsvermögen erfordern.

Für eine KI-gestützte Kundenbindungsanalyse erfüllt der Kontext mehrere Zwecke. Beschreibungen erklären, was Kundenfelder darstellen. Lineage hilft Teams dabei, zu überprüfen, woher die Daten stammen. Eine verwaltete Metrikdefinition legt fest, wie die Kundenbindung berechnet werden soll. Jedes Element trägt etwas anderes zu einer Antwort bei, die Menschen bewerten können.

Menschen können den Kontext in Horizon Context erkunden. Snowflake CoCo kann den Katalogkontext für Aufgaben wie Datenerkennung und Auswirkungsanalyse nutzen. Semantische Ansichten ergänzen diese Grundlage mit verwalteten Definitionen von Metriken, Dimensionen und Beziehungen für KI und Analytics.

Der Business Value liegt in der Wiederverwendung: Teams können auf gemeinsamem Wissen aufbauen, anstatt es in jedem Dashboard, jeder Applikation oder jedem Prompt neu zu erstellen. Diese Grundlage unterstützt eine konsistentere Interpretation und liefert Menschen Belege, die sie bei der Überprüfung einer KI-generierten Antwort untersuchen können.

Verbinden Sie Ihre unterstützten Daten-, BI- und Pipeline-Systeme mit Horizon Catalog. Beziehen Sie Fachexpert:innen in die Pflege von Beschreibungen ein und nutzen Sie Snowflake CoCo, um Lineage zu erkunden, Datenprobleme zu untersuchen und die Auswirkungen von Änderungen zu bewerten.

Das Wissen, das Ihre Teams heute aufbauen, kann zu einer wiederverwendbaren Grundlage für den nächsten Bericht, die nächste Applikation und den nächsten KI-Workflow werden.

Erkunden Sie die unterstützten Konnektoren und die Einrichtungsdokumentation, um loszulegen.