Augmented Analytics

Moderne Daten sind komplex und manchmal schwer zu interpretieren und zu verstehen. Da kommt ein Tool wie Augmented Analytics gerade recht.

Doch was kann man sich unter Augmented Analytics vorstellen und wie lässt es sich in der Praxis einsetzen?

Was ist Augmented Analytics?

Übersetzt bedeutet Augmented Analytics „erweiterte Analysen“. Es handelt sich dabei um eine fortgeschrittene Form der Datenanalyse, die künstliche Intelligenz (KI) und maschinelles Lernen (ML) nutzt, um die Aufbereitung, Analyse und Interpretation von Daten zu automatisieren und zu verbessern. Augmented Analytics soll es Anwendern ermöglichen, schneller und effizienter Erkenntnisse aus Daten zu gewinnen, ohne dass sie über umfangreiche Erfahrungen in Data Science oder Statistik verfügen müssen.

Das Konzept der erweiterten Intelligenz (Augmented Intelligence), ein übergreifendes Konzept der erweiterten Analytik, wurde vom Marktforschungsunternehmen Gartner in der Ausgabe 2017 des Hype Cycle for Emerging Technologies vorgestellt.

Bestandteile und Funktionen von Augmented Analytics

Augmented Analytics kombiniert fortgeschrittene Technologien wie künstliche Intelligenz (KI), maschinelles Lernen (ML) und natürliche Sprachverarbeitung (NLP), um Nutzer bei der Datenanalyse zu unterstützen und viele Prozesse zu automatisieren. Diese Technologien erleichtern jede Phase der herkömmlichen Datenanalyse, von der Formulierung der Fragestellung über die Datensammlung und -analyse bis hin zur Ableitung und Präsentation von Ergebnissen und Handlungsempfehlungen.

Die Automatisierung durch Augmented Analytics erstreckt sich auf die Datenbeschaffung aus unterschiedlichen Quellen. Dabei werden Aufgaben wie Datenbankabfragen, Datenaggregation und Datenformatierung automatisch und im Kontext der Analyse Anforderungen durchgeführt. Dies ermöglicht eine schnelle Bereitstellung der für die Analyse benötigten Daten, ohne dass tiefergehende Datenbankkenntnisse erforderlich sind.

Im Anschluss an die Datensammlung führt Augmented Analytics die Datenanalyse durch. Das System untersucht die vorliegenden Daten auf Muster oder Zusammenhänge und kann auf dieser Basis Trends erkennen oder Vorhersagen treffen. Durch den Einsatz von KI und ML werden die Prozesse und die generierten Ergebnisse kontinuierlich verbessert. Je nach Fragestellung verwendet Augmented Analytics geeignete statistische Verfahren und Vorhersagemodelle. Die Ergebnisse und Handlungsempfehlungen werden mit Hilfe verschiedener Visualisierungstechniken anschaulich aufbereitet.

Ein zentraler Aspekt von Augmented Analytics ist die Verwendung einer NLP-Schnittstelle. Diese Schnittstelle vereinfacht die Interaktion zwischen Benutzer und System erheblich, sowohl bei der Eingabe der Analyse Anforderungen als auch bei der Präsentation der Ergebnisse. Im Idealfall formuliert der Anwender seine Analyseaufgabe direkt. Das System kommuniziert dann mit dem Benutzer, um alle notwendigen Details zu klären. Nach Abschluss der Analyse stellt Augmented Analytics die Ergebnisse nicht nur visuell dar, sondern kann diese auch über die Sprachschnittstelle kommunizieren, ergänzt durch entsprechende Erklärungen der KI. Die NLP-Schnittstelle kann als eine Erweiterung der Self-Service-Oberflächen moderner Business Intelligence-Tools angesehen werden.

Einen wesentlichen Vorteil stellt die Weiterentwicklung von NLP als Sprachmodell (LLM) wie zum Beispiel ChatGPT. Dadurch wird das natürliche Sprachverständnis und die –ausgabe noch weiter verbessert.

Vorteile von Augmented Analytics

Augmented Analytics bietet zahlreiche Vorteile, die die Arbeit der Mitarbeiter schneller, effizienter und genauer machen können.

Mehr Agilität

KI-gestützte Erweiterungen können schneller Erkenntnisse liefern, indem sie den Suchbereich eingrenzen und relevante Daten zum richtigen Zeitpunkt an die richtige Person weiterleiten. Durch die umfassende Nachverfolgung des Nutzerverhaltens können Systeme intelligentere Voreinstellungen anbieten, Aktionen empfehlen und diese im Laufe der Zeit auf der Grundlage der Reaktionen der Nutzer anpassen und personalisieren. Wenn die Menschen schneller Antworten auf ihre Fragen finden, können sie sich auf strategische Aufgaben konzentrieren und verbringen weniger Zeit mit der Suche nach bestimmten Daten.

Präzision

Da Maschinen keine Pausen kennen, werden damit repetitive Aufgaben und Berechnungen äußerst zuverlässig ausgeführt. Mit den KI- und ML-Technologien, die Augmented Analytics zugrunde liegen, kann im Prinzip jeder Stein umgedreht werden, sodass Anwender damit die Möglichkeit bekommen, fundierte Entscheidungen immer auf der Basis einer gründlichen Analyse zu treffen. Ein solch umfassendes Bild unterstützt die menschlichen Fähigkeiten und hilft dabei, dass Schlussfolgerungen nicht von vorgefassten Meinungen beeinflusst werden.

Entlastung von Experten

In vielen Unternehmen mangelt es an Fachkräften wie Data Scientists und IT-Spezialisten, die oft mit zahlreichen Aufgaben überlastet sind. Diese Experten sind jedoch häufig die Hauptansprechpartner für komplexe Datenanalysen. Der Einsatz fortgeschrittener Analysetechniken kann ihre Arbeit erheblich erleichtern. Ein wesentlicher Vorteil dieser Techniken besteht darin, dass sie die Abhängigkeit von diesen Spezialisten verringern.

Effizienz

Maschinelles Lernen und künstliche Intelligenz haben zu erheblichen Verbesserungen geführt, insbesondere in Bereichen, in denen Algorithmen auf hochspezialisierte, sich wiederholende Aufgaben angewendet werden. Beispiele hierfür sind Webseiten, die Empfehlungen für ähnliche Inhalte oder Produkte anbieten („Das könnte Sie auch interessieren…“) oder Anwendungen zur Betrugserkennung. Augmented Analytics trägt dazu bei, Arbeitsschritte zu automatisieren, was den Nutzern Zeit und Aufwand bei der Arbeit mit Daten erspart. Dies betrifft nicht nur die Datenaufbereitung, sondern auch die Datenexploration, statistische Analysen und vieles mehr.

Use Cases von Augmented Analytics

Augmented Analytics wird bereits heute in vielen Bereichen des Unternehmensalltags eingesetzt.

Erweiterung von Analytics-Anwendungen

Vor allem in größeren Organisationen besteht häufig der Wunsch, Analysewerkzeuge einer breiteren Mitarbeiterbasis zugänglich zu machen. Gerade für diejenigen, die bisher wenig Erfahrung im Umgang mit Daten haben, können fortgeschrittene Analysemethoden sehr hilfreich sein. Ein Beispiel hierfür ist die Bedienung über natürliche Spracheingabe, die den Einstieg erheblich vereinfacht und es mehr Teams aus unterschiedlichen Abteilungen ermöglicht, intensiv mit Daten zu arbeiten.

Supply Chain Management

Ein häufiges Anwendungsgebiet ist das Supply Chain Management, wo z.B. Analysen gezielt nach Standorten durchgeführt werden können, die bestimmte Muster in der Produktbereitstellung aufweisen.

Datenmanagement

Data Analysts verwenden fortgeschrittene Techniken, um die Aufbereitung, Formatierung und Präsentation der Daten, für die sie verantwortlich sind, zu optimieren. Dies kann die Effizienz ihrer Arbeit steigern. Bei einigen Unternehmen werden auch statische Berichte durch erweiterte, interaktive Dashboards ersetzt.

Dies spart nicht nur Zeit für die Data Analysts, die diese erstellen, sondern senkt auch für viele Mitarbeiter die Hürden zur Nutzung der Dashboards, um ihre Datenanliegen zuverlässig zu beantworten.

Ad-hoc-Analysen

Führungskräfte sind bei der Entscheidungsfindung häufig auf Datenanalysen angewiesen. Mit Augmented Analytics stehen solche Analysen auch spontan zur Verfügung, so dass Manager flexibler agieren können und nicht ausschließlich auf statische Berichte angewiesen sind.

Trendanalysen

Ein weiteres wichtiges Anwendungsgebiet sind Trendanalysen, wie sie beispielsweise im Vertrieb eingesetzt werden. Damit lassen sich Trends in den Verkaufszahlen schneller und effizienter erkennen.

Fazit – Warum Augmented Analytics sinnvoll ist

Die Arbeit mit großen Datensätzen ist eine Herausforderung und erfordert oft spezielle Kenntnisse. Dies schränkt den Personenkreis ein, der im Unternehmen produktiv mit dem vorhandenen Datenmaterial arbeiten kann. Augmented Analytics soll hier Abhilfe schaffen.

Sie stellt eine Kombination verschiedener Analysemethoden dar, die auf KI, ML und NLP basieren und auch ohne Spezialkenntnisse tiefe Einblicke in die Daten ermöglichen.

Warum sollte man den Einsatz von Augmented Analytics in Betracht ziehen ? 

• Ermöglicht es den Mitarbeitern, sich auf strategische Themen zu konzentrieren.
• Es führt zu besseren Entscheidungen, präziseren Business Vorhersagen und messbaren Analysen über Produkte, Dienstleistungen, Preisgestaltung, Finanzen, Produktion etc.
• Verbesserte Datenaufbereitung und zugehörige Tools steigern Benutzerakzeptanz, soziale BI-Integration und Datenkompetenz.

Häufige Fragen zu Augmented Analytics