Was ist Augmented Analytics?
Augmented Analytics – zu Deutsch „erweiterte Analytik“ – ist ein Spezialgebiet im Bereich der Data Analytics, wo Datenanalysen durch künstliche Intelligenz (KI) und Machine Learning (ML) unterstützt und die menschlichen Möglichkeiten zur interaktiven Nutzung von Daten im jeweiligen Kontext erweitert werden. Augmented Analytics setzt sich aus Tools und Software zusammen, die analytische Kompetenz in Form von Empfehlungen, Erkenntnissen oder Abfrageanleitungen für mehr Menschen verfügbar machen.
Das globale Marktforschungs- und Beratungsunternehmen Gartner definiert den Begriff wie folgt: „Augmented Analytics bedeutet die Nutzung unterstützender Technologien wie Machine Learning und KI für Datenvorbereitung, Erkenntnisgewinnung und Erkenntniserläuterung zur Erweiterung der Möglichkeiten für Menschen, Daten in Analytics- und Business-Intelligence-Plattformen (BI) zu erkunden und zu analysieren.“
Abgrenzung zu Augmented Intelligence
Während es bei Augmented Analytics also vornehmlich darum geht, die menschlichen Fähigkeiten bei der Datenvorbereitung, Analyse von Daten und Erkenntnisgewinnung durch KI- und ML-Technologien zu unterstützen, wird unter Augmented Intelligence primär die Erweiterung der menschlichen Intelligenz durch KI verstanden, um komplexe Entscheidungsprozesse zu erleichtern.
Die Rolle von Machine Learning für Augmented Analytics
Machine Learning bezeichnet ein Gebiet der Informatik, in dem Daten zur Extraktion von Algorithmen und Lernmodellen genutzt werden. Es bildet das technologische Fundament für viele Features von Augmented Analytics. Machine Learning unterstützt Menschen bei der Analyse, indem damit aufwändige Arbeitsschritte vereinfacht oder gar eliminiert werden, sodass mithilfe von Daten schneller Erkenntnisse gewonnen und bessere Entscheidungen getroffen werden können. Das Anwendungsgebiet umfasst das Aufbereiten, Formatieren, Untersuchen und Filtern von Daten für eine präzisere und tiefer gehende Auswertung.
Machine-Learning-Features in BI-Plattformen geben die Ergebnisse von fortgeschrittenen Algorithmen oft als Empfehlungen aus. Darüber hinaus nutzen einige Anwendungen von Augmented Analytics ML zum Erlernen der Branchen- und Unternehmenssemantik sowie der Benutzerpräferenzen im Zeitverlauf. Damit können dann im Rahmen der Analyse Fragen und Ergebnisse besser individualisiert und in den Geschäftskontext eingebunden werden.
Augmented Analytics vs. Automatisierung
Die Automatisierung ist ein grundlegendes Feature in Augmented-Analytics-Lösungen. Allerdings muss klar unterschieden werden zwischen der Automatisierung von Aufgaben, was viele Technologien ermöglichen, und der Automatisierung der Entscheidungsfindung, die von Analytics unterstützt wird. Die Automatisierung der datengesteuerten Entscheidungsfindung macht menschliche Fähigkeiten überflüssig, während die Augmentation eine Methode für die zugrunde liegende Technologie bietet, um Benutzer bei der Gewinnung von Erkenntnissen anzuleiten, die sonst nicht möglich gewesen wären.
Fachwissen war für die Analyse stets von großer Bedeutung. Augmented Analytics macht aber, durch KI und Machine Learning unterstützt, dieses Wissen noch wichtiger. Es gibt immer wieder Fälle, in denen Menschen den erforderlichen Kontext herstellen müssen, um dann mithilfe der Erkenntnisse aus der Analyse die optimale Entscheidung für das jeweilige Problem zu treffen.
Für wen sind Augmented Analytics Tools gedacht?
Für Geschäftsanwender und Führungskräfte bieten Augmented Analytics Tools erhebliche Vorteile. Sie können mit dieser Technologie auf schnelle Weise Mehrwert aus ihren Daten generieren, ohne über umfangreiche technische Kenntnisse oder über Know-how in Bezug auf die Arbeit mit Daten verfügen zu müssen. Mit Augmented Analytics haben Geschäftsanwender und Führungskräfte die Möglichkeit, auf einfachere Weise die erforderlichen Daten zu ermitteln, zentrale Fragen zu stellen und im Handumdrehen Erkenntnisse für ihr jeweiliges Tagesgeschäft zu gewinnen.
Einerseits befähigt Augmented Analytics also vor allem Mitarbeiter ohne tiefgehendes analytisches Know-how, andererseits werden damit aber auch Data Analysts und fortgeschrittene Benutzer bei der Durchführung von gründlichen Analysen und Aufgaben der Datenvorbereitung unterstützt.
Welchen Nutzen und welche Vorteile bieten Augmented Analytics?
Mit Augmented Analytics können Data Analysts schneller, effizienter und präziser arbeiten. Machine Learning und natürliche Sprach-Technologien geben auch Fachleuten, also Mitarbeitern, die in ihrem Geschäftsbereich Experten sind, die Möglichkeit, mehr mit Daten zu arbeiten, indem technische Hürden für Analysen beseitigt werden. Dazu gehört auch, dass damit fortschrittlichere Techniken für Menschen mit weniger ausgereiften Datenfertigkeiten und mit weniger einschlägigen Erfahrungen nutzbar werden.
Agilität: schnellere Gewinnung von Erkenntnissen
KI-gestützte Augmentation kann die Suche nach Erkenntnissen beschleunigen, indem sie den Suchraum verkleinert, relevante Daten zur richtigen Zeit an die richtige Person ausgibt und hilfreiche Analysewege vorschlägt. Durch ein breites Verfolgen des Nutzerverhaltens können Systeme intelligentere Standards definieren sowie Maßnahmen empfehlen und diese im Laufe der Zeit auf der Basis menschlicher Reaktionen verfeinern und individualisieren. Wenn Mitarbeiter auf ihre Fragen schneller Antworten erhalten, rücken mehr strategische Aufgaben in den Vordergrund und es ist weniger Zeit für die Zusammenstellung von Daten für die Erkenntnisgewinnung erforderlich.
Präzision: Bereitstellung eines kompletteren Gesamtbilds
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.
Wirtschaftlichkeit: Automatisierung von operativen Aufgaben
Machine Learning und künstliche Intelligenz haben bei Anwendungen, in denen Algorithmen hochspezialisierte, repetitive Aufgaben verarbeiten, zu enormen Fortschritten geführt. Man denke dabei nur an Websites, die Vorschläge für verwandte Inhalte oder Produkte machen („vielleicht interessiert Sie auch...“), oder an Programme zur Betrugsprävention. Augmented Analytics ermöglicht eine Automatisierung von Aufgaben, mit der Anwender Zeit und Energie sparen können, wenn sie mit Daten arbeiten. Das gilt für die Datenvorbereitung genauso wie für Data Discovery, statistische Analysen und anderes.
Zuverlässigkeit: leistungsstarke, kontextbezogene Analyse
Augmented-Analytics-Technologien sind oft benutzerfreundlich, sodass damit die Anwendung von Daten einfacher wird und für eine breitere Gruppe von Anwendern Erkenntnisse schneller zugänglich gemacht werden können. Solche Augmented-Analytics-Technologien können für die kontextorientierte Modellierung und Verfügbarkeit von Daten maßgeschneidert werden. Dadurch lassen sich intuitive Entscheidungen absichern und das Vertrauen in die Richtigkeit der eigenen Schlussfolgerungen erhöhen. Geschäftsanwender verfügen in der Regel über kein tieferes Verständnis analytischer Technologien. Ihre Stärken liegen in der Kenntnis ihres Geschäftsfelds oder ihrer Branche, mit der sie die Ergebnisse von Augmented Analytics bewerten und sinnvoll umsetzen können. Einige Technologien für Augmented Analytics sind direkt in Workflows und Geschäftsprozesse eingebunden sowie in andere Tools und Software-Lösungen integriert. Dadurch können Mitarbeiter mühelos ihren speziellen Fragestellungen nachgehen, ohne ihre Analyse unterbrechen zu müssen. In einigen Fällen ist dies sogar ohne zusätzlichen Schritte für die Vorbereitung der Daten möglich.
Features von Augmented Analytics
Automatische Datenermittlung
Einige moderne BI-Plattformen nutzen KI für die automatische Ermittlung bestimmter Datenattribute, z. B. ob ein Feld geografische Informationen (etwa Postleitzahlen) oder persönliche Informationen (etwa Telefonnummern oder E-Mail-Adressen) enthält.
Darüber hinaus ist das System in der Lage, Datentabellen in Formaten wie PDF sowie Textdokumente zu lesen und dabei automatisch spezielle Formatierungen zu entfernen bzw. diese für eine effektive Analyse zu konvertieren.
Statistische Verfahren
Technologien für Augmented Analytics ermitteln auch automatisch, welche Prognose-, Clustering- und andere statistische Algorithmen die größtmögliche Treffergenauigkeit bieten und deshalb genutzt werden. In einigen Augmented-Analytics-Systemen werden automatisch Modelle zur Generierung und Ermittlung von Erkenntnissen aus Daten ausgeführt, die Benutzern möglicherweise bisher verschlossen waren. Solche Techniken bieten eine Unterstützung für die Beantwortung des „Warum“ hinter einem Datenpunkt, etwa für den Grund eines Ausreißers oder eines unerwarteten Werts in einem Datenbestand. Anwender können diese Funktionen mit nur einem Klick nutzen und benötigen kein Spezialwissen für das Schreiben von Berechnungen oder Programmcode.
Intelligente Datenvorbereitung
Bei der Datenvorbereitung im Hintergrund ermöglichen leistungsstarke Algorithmen eine schnellere Ausführung mit minimaler manueller Aufbereitung. Augmented-Analytics-Systeme können verwandte Wörter nach Aussprache oder häufigen Zeichen indexieren und gruppieren. Das spart Anwendern Zeit, da sie Felder und Werte nicht mehr manuell suchen und aktualisieren müssen.
In einigen Fällen empfiehlt das Augmented-Analytics-System auch bestimmte Aufbereitungsschritte, z. B. das Entfernen von Nullwerten oder das Aufteilen von Feldern in separate Spalten.
Empfehlungen
Ein besonderes Feature von vielen Augmented-Analytics-Systemen ist die Möglichkeit, KI-gestützte Empfehlungen für Benutzer zu generieren. Solche Empfehlungen werden für die Datenvorbereitung wie für Data Discovery, Analyse und Weitergabe generiert. Beispielsweise kann ein Augmented-Analytics-System empfehlen, Datenquellen zu verknüpfen, bestimmte Aufbereitungsschritte bei der Datenvorbereitung auszuführen sowie bestimmte Diagrammtypen zu verwenden, je nachdem, welche Zeilen und Spalten mit Daten der Benutzer grafisch darstellen möchte.
Außerdem werden automatisch Vorschläge dazu gemacht, welche analytischen Inhalte Mitarbeiter je nach Aufgabe, Teamzugehörigkeit oder analytischem Verhalten (nach dem Prinzip „das könnte sie auch interessieren“) erkunden sollten. Neuen Benutzern erleichtert dies den Einstieg und die Ermittlung der für sie wichtigen Datenressourcen.
Interaktion in natürlicher Sprache
Die Abfrage in natürlicher Sprache ist ein Feature von Augmented Analytics, mit dem ein Benutzer eine Abfrage von Daten in gängiger Sprache eingeben kann, statt eine Datenabfragesprache oder einen Programmcode verwenden zu müssen. Das System ermöglicht eine geführte Übersetzung des Textes in eine Abfrage. Dabei wird versucht, die Intention und den Kontext der Benutzerfragen zu ermitteln, um auf dieser Basis dann entsprechende Vorschläge zu machen. Dies bietet für viele Benutzer eine Unterstützung für die Gewinnung von Erkenntnissen aus Daten, ohne das zugrunde liegende Datenmodell verstehen zu müssen.
Durch Generieren der natürlichen Sprache werden Textbeschreibungen der Erkenntnisse aus den Daten erstellt, die auch Erklärungen zu Datenvisualisierungen beinhalten können. Mit diesen natürlichsprachlichen Erklärungen lassen sich die Storys, die die Daten erzählen, besser verstehen, ohne über ausgeprägtes Know-how in der Navigation und Interpretation von Visualisierungen verfügen zu müssen.
Erfahren Sie mehr darüber, wie Augmented Analytics von Tableau Ihre Entscheidungsfindung optimieren kann
Anwendungsbereiche für Augmented Analytics
Bei den vielen Anwendungsfällen für Augmented Analytics wird mit KI und Machine Learning versucht, komplexe Analysen zu beschleunigen und zu vereinfachen. Damit werden mehr Menschen unabhängig von ihren Datenfertigkeiten und technischen Kenntnissen dabei unterstützt, durch wichtige Fragestellungen und fundiertere Entscheidungen Mehrwert aus ihren Daten zu generieren.
Beispiele nach betrieblicher Aufgabe
- Vertriebsteams können mit Augmented Analytics Trends in ihren Quoten und Abschlüssen untersuchen.
- Führungskräfte können mit Augmented Analytics auf einfache Weise Daten während Vorstandssitzungen ad-hoc erkunden und müssen nicht auf statische Berichte zurückgreifen.
- IT-Abteilungen haben die Möglichkeit, mit Augmented Analytics die zentralen Faktoren für Nutzungsspitzen von Servern und Systemen zu ermitteln.
- Data Analysts und Datenverwalter können mit Augmented Analytics Daten schneller für die Analyse aufbereiten, formatieren und vorbereiten.
Beispiele nach Branche
- Für das Lieferkettenmanagement lässt sich mithilfe von Augmented Analytics nachvollziehen, warum bestimmte Standorte die Produkte nicht in der erwarteten Frequenz bereitstellen.
- Tourismusunternehmen können mit Augmented Analytics optimale, individuell zugeschnittene Angebote ermitteln, um Upselling- oder Cross-Selling-Verkaufschancen wahrzunehmen.
- Marketing- und Kommunikationsagenturen bietet Augmented Analytics die Möglichkeit, die Effektivität von Werbekampagnen und die Variablen in den Daten zu ermitteln.
Weitere gängige Anwendungsbereiche
- Große Unternehmen nutzen Augmented Analytics oft zur Ausweitung ihrer Analytics-Programme für neue Benutzer. Mit vielen Features lässt sich dabei die Einführung von Mitarbeitern mit wenig Erfahrung in der Anwendung von Daten beschleunigen.
- 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.
Herausforderungen bei der Verwendung von Augmented Analytics
Falsche Vorstellungen von KI und ML
Aufgrund der zugrunde liegenden Komplexität von KI und ML liegt der vorherrschende Fokus immer noch auf der Technologie selbst, statt auf den Möglichkeiten, wie herkömmliche Anwender diese interaktiv nutzen und davon profitieren können. In Verbindung mit der falschen Vorstellung, dass Maschinen die Jobs von Menschen übernehmen, kann dies zu einer verminderten Akzeptanz von Lösungen führen, die an sich großen praktischen Nutzen für Benutzer haben, die mit Daten arbeiten. Mitarbeiter werden KI und Augmented Analytics nur dann anwenden, wenn sie diese verstehen und deren Nutzen vertrauen.
Grenzen von Augmented Analytics
Andererseits gibt es viele Unternehmen, die übersteigerte Erwartungen haben, was mit dieser Art der Technologie erreicht und möglich gemacht werden kann. Dies führt möglicherweise zu steigenden Kosten, wenn umfangreiche Investitionen getätigt werden, ohne im Detail zu wissen, wie die Technologie den Mitarbeitern tatsächlich helfen kann – oder ohne eine klare Strategie für deren Implementierung und Betreuung zu haben.
Dafür ist auch das richtige Verständnis der jeweiligen Stärken von Mensch und Maschine wichtig. Eine Maschine kann die Absichten eines Menschen in einem begrenzten Kontext nur schwer nachvollziehen. Die Maschine verfügt zwar über die Daten, sie ist aber nicht in der Lage, das größere Bild in der Weise zu erfassen, wie es einem Menschen mit Fachwissen möglich ist. Durch überwachtes Nutzungsverhalten und Nutzerfeedback müssen Maschinen im Laufe der Zeit die Präferenzen der Anwender erst „erlernen“.
Datenkompetenz und Analytics-Fachwissen
Tools und Technologien sind unbestreitbar wichtige Faktoren eines grundlegenden Wandels. Mitarbeiter müssen aber auch lernen, Daten kritisch zu hinterfragen. Handlungen, die auf den falschen Daten beruhen oder auf falschen Empfehlungen eines KI-Systems, führen zu fehlerhaften Entscheidungen und zur Verschwendung von Ressourcen. Hier kommen Datenkompetenz-kritisches Denken und Mitarbeiterentwicklung ins Spiel.
Die Nutzung von Augmented Analytics ist nur dann nachhaltig erfolgreich, wenn Unternehmen die Analysekompetenz über Abteilungen hinweg priorisiert haben, damit die Mitarbeiter die Sprache der Daten sicher sprechen und verstehen können. Erklärungen oder Empfehlungen sind nur hilfreich, wenn der Nutzer die Datenkonzepte und deren Beziehung zu seinen eigenen Geschäftsdaten versteht. Beispielsweise ist eher eine im jeweiligen Geschäftskontext erfahrene Person in der Lage, einen Kausalzusammenhang zu erkennen oder zu verneinen, wenn eine Maschine eine Korrelation feststellt.
Data Governance, Datenmanagement und Datenkuratierung
Daten sind die Grundlage jedes KI-Systems. Die Qualität und Zuverlässigkeit von KI-gestützten präskriptiven Empfehlungen oder von automatisierten Aufgaben ist deshalb unmittelbar von der Qualität und Zuverlässigkeit der Daten abhängig, mit denen das System trainiert wird. Bei Unternehmen, die nicht in eine intakte Data Governance oder in Datenmanagementmaßnahmen investiert haben, oder die Schwierigkeiten haben, Begeisterung und Vertrauen für ihre BI-Bereitstellung zu wecken, ist eine erfolgreiche KI-Nutzung nicht sehr wahrscheinlich.
Ethisch vertretbare Nutzung von KI
Je ausgefeilter die Algorithmen und Modelle werden, desto wichtiger ist es, dass sie verständlich sind. Anders ausgedrückt sollten Unternehmen zurückhaltend gegenüber „Black-Box“-KI-Lösungen sein. Das Konzept einer transparenten „Erklärbaren künstlichen Intelligenz“ kann dabei eine sehr wichtige Rolle spielen. Die Menschen müssen in der Lage sein, die Abläufe und die Logik zu verstehen, mit der eine Antwort ermittelt wird. Dies stellt nicht nur sicher, dass Unternehmen Modelle ohne Verzerrungen nutzen, sondern stärkt auch die Überzeugung der Benutzer, dass die Antworten für fundierte Entscheidungen vertrauenswürdig sind.
Best Practices für Augmented Analytics
Schaffen Sie ein solides Fundament für moderne Analytics
Modernes BI hat den Benutzern aller Kompetenzstufen die Türen geöffnet, um ihre eigenen Fragen zu beantworten und um gleichzeitig Flexibilität mit dem Sicherheits- und Steuerungsbedarf in Einklang zu bringen. Bei modernen BI-Plattformen sind KI- und ML-Features eine Erweiterung dieses Paradigmas. Sie sind ein weiterer Schritt auf dem Weg der digitalen Transformation, die Unternehmen weg von einer herkömmlichen BI und Berichterstellung zu einer modernen Self-Service-Umgebung führt, in der jeder Fragen an seine Daten stellen kann.
Prüfen Sie den möglichen Erfolg vor neuen KI-Analytics-Investitionen
Bei der Umsetzung mutiger neuer Ideen ist es am besten, mit einem Test in einem Teilbereich zu starten und sich nicht mit dem Ziel eines perfekten Systems zu übernehmen. Beginnen Sie mit einem abgesteckten Bereich, z. B. mit einer bestimmten Abteilung oder mit einem bestimmten Anwendungsfall. Wenn sich Ihre Investitionen dann als hilfreich erweisen, erweitern Sie die Anwendung auf weitere Gruppen im Unternehmen.
Entmystifizierung und Schulung für den Aufbau von Vertrauen und Datenkompetenz
Eine nachhaltige Datenschulung muss sowohl praktische wie kreative Fertigkeiten vermitteln. Die Einführung von AI Analytics für Unternehmensabläufe erfordert Vertrauen in diese Technologien in Verbindung mit einem geschärften Urteilsvermögen der Mitarbeiter. Data Scientists vertrauen nicht immer der Maschine, wenn sie selbst über eine langjährige praktische Erfahrung verfügen. Einsteiger in Analytics müssen lernen, mit Empfehlungen von Augmented Analytics umzugehen und sie zu validieren oder mit ihrem menschlichen Wissen die Richtung einer Entscheidung gegebenenfalls zu korrigieren.
Fördern Sie den Erfolg durch Zusammenarbeit und den Aufbau einer Community
Da diese Features in bestehende Workflows eingebettet werden, hilft eine intensive Kommunikation zwischen Datenchampions und Fachexperten den Benutzern dabei, Erfolge zu erzielen, und fördert die Akzeptanz. Data Analysts, die Dashboards für andere erstellen, sollten wissen, wie Benutzer Machine-Learning-Features anwenden, und sie sollten eine offene Kommunikation über die Erklärungen und die Daten selbst fördern. Data Analysts haben die Möglichkeit, für Fachexperten die richtigen Daten bereitzustellen und für den richtigen Kontext zu sorgen, damit diese die für sie wichtigen Datenpunkte aufschlüsseln können. Dazu kann beispielsweise ein Starter-Dashboard gehören, das Interaktivität, Erkundung und Anpassung ermöglicht.
Die Rolle von Augmented Analytics in Business Intelligence (BI)
Daten sind ein entscheidender Rohstoff für die Optimierung der Kundenerfahrung, die Verbesserung der Effizienz von Abläufen und die Erschließung neuer Umsatzmöglichkeiten. Unternehmen, die bei der Analyse von Daten die Nase vorn haben, sind wettbewerbs- und handlungsfähiger als andere. Aus diesem Grund steigen viele auf KI-Analytics-Technologien und Augmented Analytics um, inklusive Machine Learning, Interaktion in natürlicher Sprache und komplexe Algorithmen, um sich einen Wettbewerbsvorteil zu verschaffen. Ziel ist es dabei, die Analysemöglichkeiten der Mitarbeiter zu erweitern, die digitale Transformation voranzutreiben sowie die Problemlösungsfähigkeit des Unternehmens angesichts zunehmender Veränderung zu stärken.
Augmented Analytics bietet die Möglichkeit, den menschlichen Wissensdurst in entsprechende Antworten umzuwandeln. Mit ihrer Funktionalität lässt sich die Nutzung von Analytics verbreitern und es lassen sich damit Menschen erreichen, die mit der Anwendung von Daten noch nicht so vertraut sind. Dies eröffnet allen Mitarbeitern in einem Unternehmen die Möglichkeit, vertrauensvoll geschäftliche Fragen mit ihren Daten zu beantworten.
Bei Tableau nutzen wir KI zur Unterstützung der Mitarbeiter bei der Beantwortung von Fragen und zur Förderung richtungsweisender Entscheidungen mit Daten. Von intelligenter Datenvorbereitung und statistischer Analyse per Klick bis zu natürlichsprachlichen Abfragen können mit unserer Augmented Analytics mehr Menschen benötigte Erkenntnisse aus Daten ermitteln, mit größerem Vertrauen in die Ergebnisse. Unsere Features unterstützen eine breitere geschäftliche Zielgruppe für die Beantwortung von Fragen mithilfe von Daten und Unternehmen bei der erfolgreichen Nutzung ihres wachsenden Datenbestands.
Erfahren Sie mehr über Augmented Analytics von Tableau.
Weitere Materialien