Hochglanzprodukte im Vergleich mit nutzbaren Lösungen: Welche Trends auf dem Analysemarkt besitzen schon heute Geschäftsreife?
Dieser Text wurde zuerst in CIO veröffentlicht.
Geschäftsanalysen stehen auf dem Markt für Unternehmenssoftware auch weiterhin hoch im Kurs und stellen eine Kernkomponente bei der digitalen Umwandlung jeder Organisation dar. Es gibt jedoch viele konkrete Fortschritte an unterschiedlichen Punkten entlang des Kontinuums zwischen Marktreife und tatsächlicher Verwendung.
Es ist entscheidend, dass führende Technologieanbieter ausgereifte Trends, die schon heute auf Geschäftsszenarien in der echten Welt angewendet werden können, von solchen Trends unterscheiden, die erst noch Gestalt annehmen müssen, aber schon jetzt im Rahmen imposanter Produktvorführungen präsentiert werden. Diese Trends lassen sich in Kategorien unterteilen, die von geringster Marktreife bis zu größter Marktreife abgestuft sind: Artificial Intelligence (AI, Künstliche Intelligenz), Natural Language Processing (NLP; maschinelle Verarbeitung natürlicher Sprache) und eingebettete Analysen.
Die künstliche Intelligenz steigert die tatsächliche menschliche Intelligenz.
Der Hype und die Begeisterung für AI, die auch Machine Learning (ML; Maschinelles Lernen) und Deep Learning umfasst, übertrifft auf dem heutigen Markt längst den Rummel um Big Data. Die Vorstellung, dass AI die heute noch von Menschen durchgeführten manuellen Analyseaufgaben vollständig ersetzt und automatisiert, ist für die meisten Anwendungsfälle in der echten Welt noch reine Zukunftsmusik. Eine vollständige Automatisierung der Analyse-Workflows sollte eigentlich gar nicht in Betracht gezogen werden – weder heute noch in der Zukunft.
Der Begriff „Assistive Intelligence“ (Hilfsintelligenz) ist eine zutreffendere Bezeichnung für das Akronym „AI“ und schmeckt wohl auch den Analytikern besser, die sich von der Automatisierung bedroht fühlen. Dieses Konzept der Assistive Intelligence, das die Fähigkeiten von Analytikern und Geschäftsanwendern durch eingebettete erweiterte Analysefunktionen und Algorithmen für maschinelles Lernen verbessert, wird von immer mehr Organisationen auf dem heutigen Markt übernommen. Die Verwendung solcher intelligenten Funktionen hat sich bei der Datenvorbereitung und -integration sowie bei Analyseprozessen als nützlich erwiesen, um beispielsweise Muster, Korrelationen, Ausreißer und Anomalien in Daten zu erkennen.
Natürliche Interaktionen verbessern die Barrierefreiheit von Analysen.
Natural Language Processing (NLP) und Natural Language Generation (NLG; Textgenerierung) werden häufig synonym verwendet, obwohl beide völlig unterschiedlichen Zwecken dienen. Beide ermöglichen zwar natürliche Interaktionen mit Analyseplattformen, doch NLP kann dabei als das Stellen von Fragen betrachtet werden, wohingegen NLG benutzt wird, um dem Benutzer Erkenntnisse in natürlicher Sprache zu liefern.
Von diesen beiden Optionen ist NLP auf dem Mainstream-Markt deutlicher zu erkennen, da in unseren persönlichen Alltag immer mehr NLP-Schnittstellen Einzug halten, zum Beispiel in Gestalt von Siri, Cortana, Alexa, Google Home usw. Analyseanbieter erweitern ihr Produktangebot um NLP-Funktionalität, um aus diesem Verbrauchertrend Kapital zu schlagen und ein breiteres Spektrum an Geschäftsanwendern zu erreichen, die eine NLP-Schnittstelle vielleicht als weniger bedrohlich empfinden als herkömmliche Analysemethoden. NLP wird sich unweigerlich zu einer weit verbreiteten Kernkomponente einer Analyseplattform entwickeln. Allerdings wird NLP derzeit noch nicht von einem ausreichend breiten Benutzerspektrum oder für genügend Anwendungsfälle verwendet, um auf dem heutigen Markt als Mainstream-Lösung zu gelten.
NLG ist andererseits schon seit einigen Jahren auf dem Markt, doch erst vor Kurzem wurde NLG in Mainstream-Analysetools eingebettet, um die visuelle Darstellung von Daten zu optimieren. Viele textbasierte Zusammenfassungen von Sportveranstaltungen, Spielerstatistiken, die Performance von Investmentfonds usw. werden automatisch mithilfe von NLG-Technologie erstellt. NLG-Funktionen werden auch zunehmend verwendet, um den Mainstream-Benutzern KI-basierte Ausgabedaten besser zugänglich zu machen.
Seit Kurzem schmieden Analyseanbieter Partnerschaften mit NLG-Anbietern, um ihre Kompetenzen dahingehend zu nutzen, dass sie der Datenvisualisierung eine weitere Dimension hinzufügen, und zwar insofern, als wesentliche Erkenntnisse automatisch identifiziert und in natürlicher Sprache ausgedrückt werden, um als Begleittext zur Visualisierung zu dienen. Die Kombination aus Geschäftsanalysen und NLG ist zwar noch relativ neu, doch sie gewinnt immer mehr Aufmerksamkeit und Zugkraft auf dem Markt und hat die Tür für neue Anwendungsfälle geöffnet, die jetzt von Organisationen ausgelotet werden können.
Eingebettete Analysen sorgen dafür, dass Erkenntnisse schneller umgesetzt werden.
Der wahre Wert von Analysen zeigt sich, wenn die gewonnenen Erkenntnisse die Entscheidungsfindung so beeinflussen, dass bessere Geschäftsergebnisse erzielt werden. Durch das Einbetten von Analysen in die Anwendungen und Systeme, in denen die Entscheidungsträger ihrem normalen Geschäft nachgehen, wird ein Hindernis für die Einführung von Analysen beseitigt, und die Erkenntnisse werden direkt der zuständigen Person übermittelt, die umgehend entsprechende Maßnahmen ergreifen kann.
Anbieter moderner Analyseplattformen machen es den Organisationen unfassbar leicht, eine eingebettete Strategie einzuführen, um den Inhalt der Analysen unter Branchenanwendern zu verbreiten, die mit herkömmlichen Mitteln bisher nicht erreichbar waren. Und die Organisationen stellen ihren Kunden, Partnern, Lieferanten usw. jetzt ähnliche Funktionen zur Verfügung, um sich von den Wettbewerbern abzuheben und um in manchen Fällen durch die Monetarisierung der Datenressourcen und Analyseanwendungen neue Einnahmequellen zu erschließen.
Diese Innovationen eröffnen den führenden Technologieanbietern eine einzigartige Gelegenheit, ihre Organisationen in eine Ära zu führen, in der die Datenanalyse das Fundament für sämtliche Geschäftsentscheidungen bildet. Jede Organisation wird diesen Weg im eigenen Tempo beschreiten. Manche werden zu den Ersten gehören, die neue Innovationen einführen. Andere dagegen werden diese Technologie erst übernehmen, wenn der Großteil des Markts die Einführung bereits erfolgreich vollzogen hat.
Letztendlich wird die Bereitschaft der Organisationen, irgendeine neue Technologie einzuführen, von den Endbenutzern sowie von deren Fähigkeit und Bereitschaft bestimmt, neue Innovationen zu implementieren und Prozesse zu ändern.
Zugehörige Storys
Blog abonnieren
Rufen Sie die neuesten Tableau-Updates in Ihrem Posteingang ab.