fbpx

So kann Data Analytics mit KI und ML verbessert werden

Pyramid-Headshot-Shapes_Omri
Januar 19, 2021

Marktexperten und Analysten preisen seit einigen Jahren die Potentiale von künstlicher Intelligenz (KI) und Machine Learning (ML) für Data Analytics. Viele Unternehmen reagieren auf die neuen technologischen Möglichkeiten, indem Sie Data Scientists einstellen oder gleich ganze Teams aufbauen, um moderne Analytics-Lösungen zu entwickeln.

Doch allzu oft übersteigt der Hype um diese Lösungen deren tatsächlichen Nutzen. Entweder es fehlt ein Use Case oder es entstehen Insellösungen, die nur von einzelnen Abteilungen oder Mitarbeitern, nicht aber unternehmensweit eingesetzt werden. Oder sie sind nur für eine kleine Gruppe von technischen Anwendern praktikabel und bieten nur wenige Funktionen, die den Anforderungen von Business Analysten oder anderen Anwendern gerecht werden.

Von diesen nicht-technischen Anwendern kann nicht erwartet werden, dass sie fortschrittlichere KI-gesteuerte Analytics-Lösungen bedienen. Ihnen fehlt das Verständnis für die häufig komplexe Bedienung grundlegender BI-Funktionen – wie z. B. Slicing, Dicing und Drill-Operationen- obwohl sie einen echten Bedarf haben, diese in ihre eigenen Arbeitsabläufe einzubinden.

Glücklicherweise können KI und ML Analytics-Lösungen heutzutage für eine breitere Anwendergruppe neu ausgerichtet werden. Diese Lösungen bieten nicht-technischen Anwendern Self-Service-Tools und detaillierte Visualisierungen, ohne dass sie auf Schaltflächen klicken oder die bei anderen BI-Anwendungen üblichen Drag-and-Drop-Funktionen beherrschen müssen.

Die Experten der Boston Consulting Group meinen: „Die erfolgreichsten Anwendungsfälle [für Machine Learning und Advanced Analytics] werden diejenigen sein, die KI nahtlos mit menschlichem Urteilsvermögen und Erfahrungen kombinieren.“

Dieser Beitrag untersucht, was diese Transformation sowohl für technische als auch für geschäftliche Anwender bedeutet und welche Lösungen echten Mehrwert für Unternehmen bedeuten.

Drei kritische Aspekte für erfolgreiche Data Analytics mit KI/ML

In den meisten Analytics-Umgebungen ist die Bereitstellung aussagekräftiger Erkenntnisse für Fachanwender eine kritische, aber zeitaufwändige Aufgabe. Das liegt daran, dass das Bedürfnis nach diesen Erkenntnissen oft die technischen Fähigkeiten der Anwender übersteigt, so dass sie gezwungen sind, sich auf ausgelastete Data Scientists zu verlassen oder auf Ad-hoc-Ressourcen zurückzugreifen, um ihre Geschäftsentscheidungen zu unterstützen.

In einer erfolgreichen AL- und ML-Analytics-Umgebung gibt es „zwei Seiten derselben Medaille“, die dieses Problem adressieren. Insbesondere gibt es (a) leistungsstarke, automatisierte, aber einfache und intuitive Vorteile, die normale Geschäftsanwender genießen, und (b) große Flexibilität, die technischen Anwendern und Data Scientists zur Verfügung gestellt werden – und das alles in derselben Umgebung.

Data Analytics wird durch KI grundlegend beschleunigt, indem sie komplexe, zugrunde liegende Muster in riesigen Datenmengen ohne menschliches Zutun erkennt. Aber KI und ML sind auch bei der Unterstützung von benutzerseitigen Funktionen von entscheidender Bedeutung.

1. Größere Flexibilität und Kontrolle für technische Anwender

In den meisten Analytics-Szenarien erfordert die Bereitstellung von verwertbaren Erkenntnissen für Geschäftsanwender ein hohes Maß an Analytics-Skills, eine breite Palette an zuverlässigen Datenquellen und einen enormen manuellen Aufwand seitens der Data Scientists. Erschwerend kommt hinzu, dass verschiedene Analystics-Szenarien je nach Zielgruppe und Inhalt unterschiedliche Detailstufen erfordern. Infolgedessen öffnet sich eine enorme Lücke zwischen Aufgaben, die Data Scientists mit tiefem Fachwissen erfordern, und der Entscheidungsunterstützung von Geschäftsanwendern.

Data Scientists brauchen größere Flexibilität und Kontrolle, um ihre Aufgabe gut erfüllen zu können. Von ihnen wird erwartet, Geschäftsanwendern Self-Service-Funktionen zur Verfügung zu stellen und technische Anwender von einigen lästigen Aufgaben zu befreien.

Ein Beispiel: Python ist sicherlich aktuell das dominierende Tool von Data Scientists für Machine-Learning-Aufgaben. Wenn man Data Scientists in die Lage versetzt, Python bereits in der Datenmodellierungsphase zu verwenden, können sie Daten, Analysen und Data-Science-Pipelines in einem einzigen, miteinander verbundenen Technologiebaum zusammenführen und so Kernprozesse für Data Analytics vereinfachen und einen echten Mehrwert liefern.

KI/ML-basierte, automatisierte Tools können die Talentlücke zwischen Data Scientists und normalen Geschäftsanwendern schließen, indem Sie den manuellen Aufwand technischer Anwender für Standard-Analytics-Aufgaben reduzieren und sich so auf wertschöpfende Aktivitäten konzentrieren können.

2. Geschäftsanwender durch automatisierte und Self-Service-Tools ermächtigen

Der wahre Wert von Analytics entsteht erst durch die Interpretation der Daten, sowie Kreativität und Vorstellungskraft von Menschen. Früher stand es außer Frage, dass Business User die komplexesten Analytics-Funktionen nutzen. Neue, KI-gesteuerte Tools ermöglichen es ihnen jedoch, Datenmodelle und Präsentationen selbstständig zu entwickeln, für die früher die Expertise eines Data Scientists erforderlich war.

Das Potential von Analytics wird erst dann voll genutzt, wenn diese nicht-technischen Anwender ohne explizite Kenntnisse der Datenstrukturen, Hierarchien und Messgrößen, die die Welt der Data Scientists ausmachen, wichtige Erkenntnisse aus den Daten generieren und teilen können. Ziel muss es sein, Geschäftsanwender mit einer „subtilen“ KI zu ermächtigen, die ihnen bspw. KI-gestützte Prognosen erstellt, dafür aber keine Plug-in-Algorithmen, Kenntnisse über Algorithmen oder ein Verständnis für die Funktionsweise von KI erfordern.

Chatbots verbessern beispielsweise das Nutzererlebnis von Geschäftsanwendern bei der Interaktion mit Analytics-Anwendungen dank ihrer intuitiven, KI-gesteuerten Fähigkeiten. Chatbots reduzieren bestenfalls die Zeit, die für die Erkundung vertrauenswürdiger Geschäftsdaten benötigt wird, dramatisch.

Ein weiteres Beispiel ist die Pyramid Analytics-eigene Funktion Smart Insights, unsere neueste Iteration der automatisierten textbasierten Analyse. Smart Insights liefert dank der Unterstützung durch eine leistungsstarke KI-Engine leicht verständliche Analysen im narrativen Stil. Geschäftsanwender bekommen die Daten in der passenden Visualisierung präsentiert und werden zusätzlich durch erklärende Texte aus der automatisierten Funktionen unterstützt.

3. Ganzheitliche Nutzung aller Datenquellen

Schließlich müssen KI und ML für Data Analytics aus relevanten Datenquellen schöpfen können, um effektiv zu sein. Obwohl viele BI-Tools behaupten, „Advanced Analytics“ zu bieten, berücksichtigen sie nur einen Teil der Datenquellen, da eine umfassendere Betrachtung ohne dahinterliegende KI zu zeitaufwändig wäre. Dies ist unzureichend, da sich die Geschäftsanforderungen in Echtzeit entwickeln und sich die Anforderungen der Unternehmen an verschiedene Datentöpfe mit ihnen ändern.

Mit einem ganzheitlichen Ansatz für die Datenanalyse können KI-gesteuerte Analysen Ergebnisse mit mehreren verschiedenen Detailebenen erzeugen – wie z. B. leichte, kategorische oder erweiterte Visualisierungen -, die alle in nahezu Echtzeit generiert werden. Auf diese Weise wird der Umfang Ihrer vertrauenswürdigen Daten zum Dreh- und Angelpunkt für Ihre umfassenden Analysefähigkeiten, im Gegensatz zu den Einschränkungen Ihrer Analyselösung selbst.

Bietet Ihre Plattform diese kritischen Funktionen?

Im Zuge der COVID-19-Krise werden KI-gesteuerte Lösungen wegen ihres Potenzials für Echtzeit-Analysen und Mitarbeiter- sowie Kundensupport noch interessanter. Aber KI ist nur dann erfolgreich, wenn die darunterliegende Geschäftsstrategie auch ein fundamental menschliches Element beinhaltet.

Wie McKinsey im August 2020 schrieb: “To stay competitive, we believe companies will be best served by not putting all their resources into the fight for sparse technical talent, but instead focusing at least part of their attention on building up their troop of [automated machine learning] practitioners, who will become a substantial proportion of the talent pool for the next decade.”

Pyramid Analytics hat KI und Machine Learning in seiner Plattform verwurzelt, um alle Anforderungen sowohl geschäftlicher als auch technischer Nutzer von Data Analytics zu bedienen –und das in einer einzigen Analytics-Plattform, die die Anbindung aller gängigen Datenquellen und-typen ermöglicht.

Kontaktieren Sie uns noch heute, um mehr über unseren ganzheitlichen Ansatz für Data Analytics zu erfahren und mit Enterprise Analytics Ihr Unternehmen agil, flexibel und nachhaltig zu steuern.

Holen Sie sich die neuesten Erkenntnisse direkt in Ihren Posteingang