Organisationen sammeln immer mehr Daten. Aber die meisten der darin enthaltenen Erkenntnisse bleiben unzugänglich, es sei denn, ein Datenwissenschaftler oder Analyst greift gezielt darauf zu. Angesichts der Schwierigkeiten bei der Einstellung von Data Scientists sind Unternehmen dadurch in einer gewissen Zwickmühle. Darüber hinaus stellen selbst Unternehmen mit robusten Analyseteams fest, dass es einfach zu lange dauert, um die benötigten Einblicke zu erhalten. Um hier Abhilfe zu schaffen, ist ein neues Konzept entstanden: Augmented Analytics.
Laut Gartner, Augmented Analytics beinhaltet die Nutzung von maschinellem Lernen und künstlicher Intelligenz, um die Prozesse der Datenaufbereitung, der Generierung von Erkenntnissen und der Erklärung von Erkenntnissen durch Business Intelligence (BI)-Plattformen zu beschleunigen. Auf diese Weise erweitert es auch die Fähigkeiten nicht nur des Data Scientists oder Analysten, sondern auch des „Citizen Data Scientist“.‘—der Nicht-Analyst, der durch Daten Verständnis sucht—durch die Automatisierung vieler Aspekte des Analyseprozesses.
Erweitern Sie Analytics, um Datenwissenschaftlern mehr Zeit für komplexere Probleme zu geben
Schauen wir uns zunächst eine Standardstrategie an, bei der ein Analyst:
Standard-Datenanalyse-Workflow
- Erläutert die Leistungsindikatoren und die damit verbundenen Ziele
- Macht sich mit den Datensätzen vertraut
- Bereitet die Eingaben für die Analyse vor
- Erstellt benutzerfreundliche Ansichten und Dashboards und beginnt mit deren Navigation, um Korrelationen, Grundursachen und andere Ergebnisse zu identifizieren
- Präsentiert Ergebnisse als empfohlene Maßnahmen
Am Ende dieses Prozesses können basierend auf den Ergebnissen Maßnahmen ergriffen werden oder auch nicht, basierend auf einigen Faktoren, nicht zuletzt der Zeit, die zur Generierung der Ergebnisse benötigt wurde.
Augmented Analytics nimmt im Grunde genommen allen bis auf den ersten Schritt dieser Strategie die Arbeit ab. Wenn dieser Prozess erweitert wird, springt ein Fachmann mit einem Geschäftsziel oder -problem und einem geeigneten Satz von KPIs auf die Plattform und untersucht das System, das dann den Rest erledigt und mit einem Spielplan zurückkehrt.
Augmented Analytics bietet die Möglichkeit, sich wiederholende und mühsame Aufgaben aus den täglichen Aktivitäten von Data-Science-Gruppen zu entfernen, damit diese an schwierigeren Problemen arbeiten können. Es verspricht auch, den Lebenszyklus der Datenanalyse zu komprimieren und Stakeholder mit effizienten Erkenntnissen und Nuggets zu versorgen. Kurz gesagt, Augmented Analytics beinhaltet die Überarbeitung des gesamten Analytics- und BI-Workflows, um die Elemente zu entfernen, die die Analytics blockieren.
Wenn dies in der Zukunft noch in weiter Ferne erscheint, denken Sie daran, dass die drei Elemente, die Gartner als wesentlich für Augmented Analytics identifiziert hat, bereits Teil des Standard-Toolkits für Unternehmens- und Verbrauchersoftware sind: Machine Learning , Natural Language Processing (NLP) und Automatisierung.
Um es klar zu sagen, Machine Learning ist ein weit gefasster Begriff, der Algorithmen beschreibt, die „Entscheidungen“ auf der Grundlage von Wahrscheinlichkeiten statt auf Basis von Hartcodierung treffen und nicht nur fortschrittliche Analysen ermöglichen, sondern auch als Grundlage für die anderen beiden Technologien dienen.
Was ist maschinelles Lernen?
Überwindung der Erkenntnisbarrieren
NLP übersetzt Computercode in menschliche Sprache und ermöglicht es Menschen und Computern, ohne die Hilfe eines Programmierers oder Entwicklers zu kommunizieren. Und es hat Einzug in den Alltag gehalten. Wenn wir unser Telefon bitten, uns zum Lebensmittelgeschäft zu leiten, nutzen wir im Grunde eine Form der “Erweiterung”, um Daten zu beschaffen und eine Berechnung durchzuführen, die dann in leicht verständliche Anweisungen übersetzt wird. Alle Ebenen der Komplexität sind für uns „abstrahiert“.
Was ist Natural Language Processing (NLP)?
Es bedarf keiner großen Vorstellungskraft, um zu sehen, wie ein ähnlicher Ansatz zur Beantwortung einer Geschäftsfrage angewendet werden kann:
Eine Person fragt—in reinem Englisch—„Wie hoch war der Verkauf von Handyhüllen im Juni vs. Juli?“ Die Plattform antwortet mit „Der Verkauf von Handyhüllen ist zwischen dem 30. Juni und dem 31. Juli um 10 Prozent gestiegen.“ Die Person fragt dann nach einem Follow-up wie: „In welchen Gebieten waren die Verkäufe von Handyhüllen im Juli am niedrigsten?“ Die Plattform antwortet: „Europa“. Die Person könnte weiter mit dem System spielen und erfahren, dass eine bestimmte Reihe von Handyhüllen, die sich in anderen Regionen sehr gut verkauften, in Europa mehr als üblich Schadensmeldungen verzeichnete.
Solche Fähigkeiten wären eindeutig ein wichtiger Effizienzschub. Um jedoch den hier gelieferten Wert gründlich zu verstehen, überlegen wir uns, was der Benutzer nicht tun muss.
Aufgaben, die Augmented Analytics automatisieren könnte
- NLP wandelt die Frage um: „Was waren Telefonverkäufe im Juli vs. Juni?“ in eine SQL-Abfrage.
- Diese Abfrage kann das Abrufen von Daten aus mehreren Datenbanken in getrennten Systemen wie einem Data Warehouse, einer Unternehmensdatenbank oder sogar einem Data Lake wie Hadoop beinhalten.
- Ohne Verschieben von Daten wird dann eine Abfrage gleichzeitig auf all diesen Plattformen ausgeführt, um eine einzelne Tabelle zusammenzustellen.
- Die Ergebnisse der Abfrage werden dann basierend auf der generierten Tabelle wieder in dieselbe menschliche Sprache übersetzt, in der die Frage gestellt wurde (Englisch, Spanisch, Mandarin usw.).
Dieses Hin und Her kann mehrmals passieren, bis die Person eine ihrer Meinung nach umsetzbare Information erhält, und an diesem Punkt kann sie dann eine Richtlinie oder Aktion vorschreiben. Im Fall unseres Beispiels für Telefonfälle könnten sie eine Untersuchung des europäischen Händlers einleiten, um festzustellen, was den Schaden verursacht. Beachten Sie jedoch, dass dieser Prozess bei von Menschen geführten Analysen Wochen dauern kann, beim erweiterten System jedoch innerhalb von Minuten.
Folglich können solche Entscheidungen in einem viel größeren Maßstab und mit größerer Geschwindigkeit ausgeführt werden. Wenn es ein Problem mit einem Händler gibt, muss es nicht monatelang andauern und Kunden verprellen. Es kann sofort gelöst werden.
Wenn der Benutzer ein Datenwissenschaftler ist, hat er es vermieden, die tiefen, unterteilten Datenbestände des Unternehmens zu durchsuchen oder sich mit den Gatekeepern in den verschiedenen Abteilungen zu befassen. Ebenso wichtig ist jedoch, dass der Benutzer möglicherweise nicht einmal ein Datenwissenschaftler oder Analyst ist. Es kann sich um einen Geschäftsanwender handeln, der keine Programmierkenntnisse hat, oder sogar um fortgeschrittene Statistiken. Informationen, auf die sie zuvor möglicherweise monatelang gewartet haben, sind jetzt einem Experten ausgeliefert.
Wenn Sie analytische Prozesse auf diese Weise erweitern, können Sie Ihre Geschwindigkeit und Skalierung um Größenordnungen verbessern. Das bedeutet nicht, dass Sie kein Analytics-Team benötigen, aber es bedeutet, dass Ihr Analytics-Team seine Zeit nicht mit den alltäglicheren Fragen und Prozessen verbringen wird. Stattdessen konzentrieren sie sich darauf, wofür du sie wirklich bezahlst—Vorhersagemodelle zu entwickeln und hochkomplexe Fragestellungen zu bearbeiten.