Anjan Kundavaram, Chief Product Officer di Fivetran, racconta in prima persona come ha usato la conversational analytics per rispondere a una domanda di business: come sono allocate le risorse di prodotto e ingegneria a partire dai dati Jira. La lezione tecnica è più interessante dello strumento.
Primo tentativo: interrogare Jira direttamente tramite il suo MCP server (via Claude Desktop). Non ha funzionato. Gli MCP server delle applicazioni sono pensati per il controllo programmatico, non per l’analisi: Kundavaram si è subito scontrato con i limiti di volume dei dati e con l’impossibilità di unire i ticket ad altro contesto, come la struttura dei team. La domanda richiedeva contesto da migliaia di ticket, e quell’approccio non poteva reggere.
La strada giusta: prima l’ingestion nel lakehouse
La soluzione è stata integrare i dati Jira in BigQuery con Fivetran, poi collegarsi a BigQuery con DuckDB per ridurre i costi. A quel punto, con un file di Agent Skill scritto per Claude, l’esperienza per l’utente diventa banale: si invoca lo Skill, si scrive la domanda in linguaggio naturale e Claude traduce in chiamate API e SQL sui modelli dati appropriati.
Anche una domanda semplice come “quanto ha speso l’ingegneria in incident a marzo?” restituisce un report scaricabile con incident chiusi, giornate di effort totali e medie. Il report complessivo ha classificato circa 28.000 ticket e 28.000 giornate di ingegneria su 51 team, distinguendo incident, bug, debito tecnico, miglioramenti e progetti.
Due risultati concreti: alcuni team R&D mostravano tassi particolarmente alti di incident, bug e debito, il che ha permesso di dare priorità ai progetti di risoluzione; un team era fortemente bloccato da dipendenze esterne, spingendo a migliorare la pianificazione delle dipendenze. Un lavoro che il team di product analytics avrebbe richiesto più sprint per costruire a mano.
La morale operativa, ripetuta nel pezzo, vale al di là di Jira: parla agli ambienti analitici per ottenere insight analitici, e alle applicazioni per controllarle in modo programmatico. Non ci sono scorciatoie — serve comunque integrare i dati in un repository centrale e interoperabile. L’MCP dell’applicazione non sostituisce il data lake.
In sintesi
- Interrogare l’MCP di Jira per fare analisi fallisce su volumi e mancanza di contesto per i join.
- La pipeline funzionante: Jira → BigQuery con Fivetran, query via DuckDB e un Agent Skill per Claude.
- Il report ha classificato ~28.000 ticket e ~28.000 giornate su 51 team; regola d’oro: analitica agli ambienti analitici, controllo alle applicazioni.
Fonte: How I used AI agents to optimize product operations — https://www.fivetran.com/blog/how-i-used-ai-agents-to-optimize-product-operations
Hai qualcosa da aggiungere? Unisciti alla discussione.