KI nutzen, um Datenanalysen für Business Insights zu kontextualisieren

Fortschritte in KI und Augmented Analytics bedeuten, dass Enterprise-Teams ihre Daten effektiver in Kontext setzen können.

Das Problem: Fehlender Kontext in Analytics

Eine Herausforderung, die Business Leader und Data Professionals seit vor Big-Data-Buzzword-Zeiten frustriert: Mangel an Kontext in Analytics.

Klingt dieser Use Case vertraut? Ein Business Leader fragt ursprünglich nach Analyse, warum Regionalverkäufe sinken. Ein Data Analyst arbeitet hart für paar Monate: Modell bauen, Daten ziehen, Report für Business-Seite entwickeln.

Das Problem

Wenn Ergebnisse zurückkamen: enttäuschend eindimensional, nie den echten „Warum“ hinter dem Verkaufsrückgang bestätigend. Report mag Slippage für bestimmte Produktlinie oder spezifisches Sales-Team identifizieren. Aber nicht beides.

Was fehlte: Kontext. Keine Möglichkeit, echte, underlying Ursachen zu detektieren. War es Personal, Kompensation, Turnover? Lieferkettenproblem? Neuer Wettbewerber? Preiserhöhung? Alles davon? Natürliche Follow-ups zu jeder Sales-Analyse.

Ohne tiefen Blick in varied potentielle Ursachen gingen Business Leader und Data Pro oft weg, beschuldigten sich gegenseitig, Zeit und Ressourcen verschwendet zu haben.

Evolution Augmented Analytics

Um genannten Kontext zu finden, wenden sich einige Enterprises heute KI zu. Sie berichten Erfolg dank KIs Fähigkeit, Beziehungen und Dependencies unter Myriaden von Abteilungen, Applikationen, Prozessen zu detektieren. Existenz dieser Beziehungen zeigt sich in neuen Datentypen – nicht in Spreadsheets, traditionellen Datenbanken, sicher nicht in Corporate Org Charts.

Analytics- und IT-Guru Tom Davenport (Babson College) untersuchte diese neuen Datentypen in aktuellem Harvard Business Review Artikel, co-authored by Joey Fitts, VP Analytics Product Strategy bei Oracle.

„KI macht es möglich, dass Analytics automatisch wichtigen Kontext aus breitem Array von Sources incorporiert und verarbeitet – viele davon hätten zuvor Analysten gezwungen, Silos und schlecht gepflegte Kataloge zu navigieren.“

„Die Innovationen beruhen auf KI und Automatisierung, Verbindungen über bestehende Informationssysteme, rollenbasierten Annahmen über Entscheidungen auf Daten/Analytics. Am Ende können sie Insights und Recommendations direkt an Decision Maker liefern – ohne dass Analyst sie im Voraus vorbereiten muss.“

Richtige Daten für Analytics-Projekt zu finden war zu oft manuelle Übung, so Davenport und Fitts.

„Das erforderte extensive Knowledge, welche Daten für Analyse appropriate sind und wo sie zu finden sind – viele Analysten fehlte Knowledge des breiteren Kontexts. Doch Analytics und sogar KI-Applikationen können zunehmend Kontext liefern. Und diese Fähigkeiten sind jetzt regelmäßig von Key Vendors in ihren Transaktionssystem-Angeboten inkludiert – ERP, CRM.“

Diese Kontext-Hinzufügung beruht teils auf Automatisierung durch KI mittels „Smart Data Discovery“ und Augmented Analytics.

2017 definierte Gartner Augmented Analytics als „Nutzung enabling Technologies wie ML und KI, um Data Preparation, Insight Generation, Insight Explanation zu assistieren, um zu augmentieren, wie Menschen Daten in Analytics und BI Platforms explorieren und analysieren.“

Futurist Bernard Marr ergänzt: „Augmented Analytics beschreibt den Prozess, wo Daten automatisch von Raw Data Sources genommen, gescrubbed, unvoreingenommen analysiert und in Report via Natural Language Processing kommuniziert werden, den Menschen verstehen.“

Enter Citizen Data Scientists

Davenport und Fitts zitieren Beispiel, wie dieser neue Analytics-Ansatz von großer Versicherung implementiert wurde: Neues Human-Capital-System „inkludierte HR-KPIs, Best-Practice-Benchmarks, Capability zum Monitoring von HR-Trends wie Diversity und Attrition Levels. Neues Enterprise-Reporting-Tool mit diesen Capabilities wurde company-wide in nur acht Wochen eingeführt.“

Diese Evolution von KI und Analytics ebnet Weg für neue Generation Citizen Data Scientists.

Wenn der Begriff vertraut klingt: Konzept, Non-Tech-Business-Pros Advanced Analytics Capabilities zu geben, geistert seit fünf Jahren herum.

In der Zeit traf Citizen Data Science auf Resistance von Analytics-Pros, die Business-Usern ihre Tools nicht trauen – selbst wenn Business-User Mid-Career-Training in Data Science hatten. Original-Konzept war auch unwahrscheinlich, über Enterprise mit Tausenden Applikationen zu skalieren.

Aber diese neue Version Citizen Data Science scheint „neue Datentypen“ zu nutzen, die Davenport diskutiert. Heavy Lifting von Entdecken und Nutzen von Beziehungen unter Abteilungen, Prozessen, Datentypen wird largely von KI-Modellen gemacht. Die werden noch von Data Scientists gebaut. Die „Citizens“ können dann tun, was sie am besten können: Business-Fragen stellen, die KI vielleicht besser beantworten kann.