Wie KI Data Analytics in Kontext setzt

Fortschritte in KI und Augmented Analytics bedeuten, dass Unternehmensteams ihre Daten effektiver in einen Kontext stellen können.

Es gibt eine Herausforderung, die Führungskräfte und Datenexperten so ziemlich frustriert hat, bevor Big Data ein Schlagwort war. Es ist ein Mangel an Kontext in der Analytik.

Sehen Sie, ob Ihnen dieser Anwendungsfall bekannt vorkommt. Ein Geschäftsführer bat ursprünglich um eine Analyse, warum die regionalen Verkäufe zurückgingen, und ein Datenanalyst arbeitete einige Monate lang hart daran, ein Modell zu erstellen, Daten zu ziehen und einen Bericht für die Geschäftsseite zu entwickeln.

Das Problem

Als die Ergebnisse zurückkamen, waren die Ergebnisse enttäuschend eindimensional und bestätigten nie das wahre „Warum“ hinter dieser Umsatzverlangsamung. Der Bericht kann Slippage für eine bestimmte Produktlinie oder vielleicht ein bestimmtes Verkaufsteam identifizieren. Aber nicht beides.

Was fehlte, war der Kontext. Es gab keine Möglichkeit, die wahren, zugrunde liegenden Ursachen für den Schlupf zu erkennen. War es ein Personal-, Vergütungs- oder Umsatzproblem? War es tatsächlich ein Lieferkettenproblem? Könnte es ein neuer Konkurrent gewesen sein? Oder war es so etwas wie eine Preiserhöhung? Waren das alle? Diese Fragen wären natürliche Folgemaßnahmen zu jeder Verkaufsanalyse.

Aber ohne einen tiefen Einblick in die vielfältigen potenziellen Ursachen gingen der Geschäftsführer und der Datenexperte oft weg und beschuldigten sich gegenseitig für die Verschwendung von Zeit und Ressourcen.

Entwicklung von Augmented Analytics

Um den oben genannten Kontext zu finden, wenden sich einige Unternehmen heute der KI zu. Sie melden Erfolge dank der Fähigkeit von KI, Beziehungen und Abhängigkeiten zwischen unzähligen Abteilungen, Anwendungen und Prozessen zu erkennen. Die Existenz dieser Beziehungen zeigt sich in neuen Datentypen, die nicht in Tabellenkalkulationen oder herkömmlichen Datenbanken aufgeführt sind, und schon gar nicht in Organigrammen von Unternehmen.

Analytics- und IT-Guru Tom Davenport vom Babson College untersuchte diese neuen Datentypen in einem kürzlich erschienenen Artikel der Harvard Business Review, der von Joey Fitts, Vice President, Analytics Product Strategy for Oracle, mitverfasst wurde.

„KI ermöglicht es der Analytik, wichtigen Kontext aus einer breiten Palette von Quellen automatisch einzubeziehen und zu verarbeiten – viele davon hätten zuvor Analysten erfordert, um sich durch Silos und schlecht gepflegte Kataloge zu navigieren“, schrieben sie.

Sie fügten hinzu:„Die Innovationen beruhen auf KI und Automatisierung, Verbindungen zwischen bestehenden Informationssystemen und rollenbasierten Annahmen darüber, welche Entscheidungen in Bezug auf Daten und Analysen getroffen werden. Am Ende können sie Erkenntnisse und Empfehlungen vorbereiten, die direkt an Entscheidungsträger übermittelt werden können, ohne dass ein Analyst sie im Voraus vorbereiten muss.“

Laut Davenport und Fitts war die Suche nach den richtigen Daten für ein Analyseprojekt zu oft eine manuelle Übung.

Sie schrieben:„Dies erforderte umfassende Kenntnisse darüber, welche Daten für Ihre Analyse geeignet sind und wo sie zu finden sind, und vielen Analysten fehlte die Kenntnis des breiteren Kontexts. Analysen und sogar KI-Anwendungen können jedoch zunehmend Kontext liefern. Und diese Funktionen werden jetzt regelmäßig von wichtigen Anbietern in ihre Angebote für Transaktionssysteme wie Enterprise Resource Planning (ERP) und Customer Relationship Management (CRM) aufgenommen.“

Diese Fähigkeit, Kontext hinzuzufügen, beruht zum Teil auf der Automatisierung durch KI mit „intelligenter Datenerkennung“ und Augmented Analytics.

Im Jahr 2017 definierte Gartner Augmented Analytics als „den Einsatz von Basistechnologien wie maschinelles Lernen und KI zur Unterstützung der Datenaufbereitung, der Generierung von Erkenntnissen und der Erklärung von Erkenntnissen, um die Art und Weise zu verbessern, wie Menschen Daten in Analyse- und BI-Plattformen untersuchen und analysieren.“

Der Zukunftsforscher Bernard Marr fügt hinzu:„Augmented Analytics beschreibt den Prozess, bei dem Daten automatisch aus Rohdatenquellen entnommen, bereinigt und unvoreingenommen analysiert und in einem Bericht mithilfe der Verarbeitung natürlicher Sprache kommuniziert werden, die Menschen verstehen können.“

Geben Sie Citizen Data Scientists ein

Davenport und Fitts nannten ein Beispiel dafür, wie dieser neue Analyseansatz von einer großen Versicherungsgesellschaft implementiert wurde. Sie sagten, dass ein neues Humankapitalsystem „Humanressourcen-KPIs, Best-Practice-Benchmarks und die Fähigkeit zur Überwachung von HR-Trends wie Diversität und Fluktuation umfasste. Ein neues Unternehmensberichtstool mit diesen Funktionen wurde in nur acht Wochen im gesamten Unternehmen eingeführt.“

Diese Entwicklung von KI und Analytik scheint den Weg für eine neue Generation von Citizen Data Scientists zu ebnen.

Wenn Ihnen letzterer Begriff bekannt vorkommt, liegt das daran, dass das Konzept, nicht-technologischen Geschäftsleuten fortschrittliche Analysefunktionen zu bieten, seit fünf Jahren im Umlauf ist.

In dieser Zeit ist Citizen Data Science auf den Widerstand einiger Analyseprofis gestoßen, die Geschäftsanwendern ihre Tools nicht anvertrauen, selbst wenn die Geschäftsanwender in der Mitte ihrer Karriere eine Ausbildung in Data Science absolviert haben. Es war auch unwahrscheinlich, dass das ursprüngliche Konzept in einem Unternehmen mit Tausenden von Anwendungen skaliert werden konnte.

Aber diese neue Version von Citizen Datascience scheint sich die „neuen Datentypen“ zunutze zu machen, die Davenport diskutiert. Die schwere Aufgabe, die Beziehungen zwischen Abteilungen, Prozessen und Datentypen zu entdecken und zu nutzen, verspricht, zu einem großen Teil von KI-Modellen erledigt zu werden. Diese Modelle würden immer noch von Datenwissenschaftlern erstellt. Die „Bürger“ könnten dann das tun, was sie am besten können, nämlich geschäftliche Fragen stellen, die AI vielleicht besser beantworten kann.