Einer der größten, wenn auch fiktiven, Datenanalysten aller Zeiten, Sherlock Holmes, pflegte zu sagen: "Es ist ein großer Fehler, zu theoretisieren, bevor man Daten hat. Man fängt unweigerlich an, die Fakten zu verdrehen, damit sie zu den Theorien passen, und nicht die Theorien zu den Fakten."
Eine der größten Errungenschaften der Menschheit im Laufe ihrer Geschichte war in der Tat der allmähliche Übergang von der Interpretation der Realität auf der Grundlage von Überzeugungen und Vermutungen zur Analyse von Ereignissen oder Szenarien auf der Grundlage von tatsächlichen Daten. Die Einführung immer fortschrittlicherer Methoden und Technologien hat diesen Ansatz sicherlich begünstigt. Andererseits ist unsere Welt im Laufe der Jahrhunderte auch sehr viel komplizierter geworden, und das gesamte Spektrum der ihr zugrundeliegenden Trends und Phänomene, die ihre Dynamik bestimmen, zu ergründen, hat sich selbst für die einfühlsamsten und am besten ausgerüsteten Forscher als schwierige Aufgabe erwiesen.
Um dieses und viele andere Probleme im Zusammenhang mit der nie endenden Suche nach der Wahrheit anzugehen, hat business intelligence advisory begonnen, eine neue Art von Dienstleistungen anzubieten, die heute als "augmented analytics" bekannt sind.
Was ist erweiterte Analytik
Nach Angaben von Gartner, das diesen Begriff 2017 geprägt hat, beinhaltet Augmented Analytics die Implementierung von künstlicher Intelligenz und verwandten Technologien in den typischen Datenanalyse-Workflow, um die Datenerfassung und -aufbereitung, die Gewinnung von Erkenntnissen und die Datenabfrage zu erleichtern. Dies kann durch die Automatisierung mehrerer Phasen des Lebenszyklus von Datenwissenschaft und Datenanalyse (einschließlich Datenmanagement, Datenmodellentwicklung und Datenvisualisierung) und die Verbesserung von Datenanalyse- und Business-Intelligence-Software mit fortschrittlicheren Funktionen erreicht werden, um die oben genannten Upgrades freizuschalten.
Gartner hat in den letzten Jahren auch maßgeblich dazu beigetragen, die Konzepte von Augmented Analytics und Augmented Business Intelligence besser zu definieren und dabei die Kerntrends dieser Disziplinen und ihre wachsende Bedeutung aus Unternehmenssicht im Auge zu behalten.
Unter Berücksichtigung der Forschungsergebnisse von Gartner und anderer relevanter Quellen wollen wir die Gründe für den Erfolg von Augmented Analytics und Augmented BI, ihre wichtigsten Einsatzbereiche und die wichtigsten auf dem Markt verfügbaren Plattformen untersuchen und einige Tipps für die richtige Implementierung in Ihrem Unternehmen geben.
Von traditioneller zu erweiterter Analytik
Heutzutage sind Daten der Treibstoff für Unternehmen, und jedes Werkzeug, das diese Daten nutzen kann, ist ein wesentlicher Bestandteil des Arsenals eines jeden Entscheidungsträgers. Leider haben die traditionellen Ansätze zur Datenanalyse nicht mit der Zeit Schritt gehalten, da sich neue potenzielle Bedrohungen am Horizont abzeichnen:
- Komplexe Datensätze: Daten können von unschätzbarem Wert sein, wenn man weiß, wie man sie verwaltet. Doch angesichts des wachsenden Volumens, der Komplexität und der Vielschichtigkeit moderner Datensätze (zu denen sowohl strukturierte Daten wie einfache Zahlen als auch unstrukturierte Daten aus Videos, Bildern und anderen Multimedia-Inhalten gehören) wird diese Aufgabe immer anspruchsvoller in Bezug auf Zeit, Rechenleistung und Fachwissen.
- Anspruchvoller Analysezyklus: Der Prozess, der erforderlich ist, um Rohdaten in Geschäftserkenntnisse umzuwandeln, ist noch komplexer als die Daten selbst, da er aus mehreren Schritten besteht, die von qualifizierten Fachleuten wie Datenwissenschaftlern und Analysten durchgeführt werden müssen. Dazu gehören die Auswahl geeigneter Datenquellen, die Einrichtung einer ETL-Pipeline zum Extrahieren, Transformieren und Laden von Daten in geeignete Datenspeicher, die Verarbeitung von Daten mit Algorithmen, um aussagekräftige Muster, Trends oder Anomalien zu erkennen, und die Visualisierung solcher Ergebnisse.
- Mangel an Datenexperten: Wir haben über Fachleute gesprochen, aber wie sieht es mit ihrer tatsächlichen Verfügbarkeit aus? Nun, laut der Studie Augmented Analytics Market von Verified Market Research aus dem Jahr 2021 könnten allein in den USA bis 2024 25.000 Datenwissenschaftler fehlen.
- Interpretation der Ergebnisse: Die letzte Herausforderung besteht darin, abstrakte Erkenntnisse in die reale Welt zu übersetzen, d.h. die Ergebnisse der Datenanalyse zu verstehen und sie als konkrete Empfehlungen zu nutzen, um die Entscheidungsfindung voranzutreiben und Maßnahmen in dem spezifischen Geschäftsszenario zu ergreifen, in dem wir tätig sind. Dies ist eines der größten Hindernisse bei der Einführung einer Datenanalytik-Strategie für fundierte Entscheidungen, wie Gartner in seinem Marketing Data and Analytics Survey 2020 feststellt.
Wie bereits erwähnt, wurde eine geeignete Lösung zur Bewältigung solcher Probleme in der zunehmenden Integration von Datenanalysetechniken und -tools mit künstlicher Intelligenz, maschinellem Lernen, natürlicher Sprachverarbeitung (NLP) und anderen kognitiven Technologien gefunden. Diese fortschrittlichen Technologien ermöglichten eine stärkere Fokussierung auf Automatisierung, Datendemokratisierung und geschäftsorientierte Erkenntnisgewinnung und trieben den Transformationsprozess voran, der Standard-Analysefunktionen in sogenannte Augmented Analytics und Augmented BI verwandelte.
Klare Anzeichen für diesen Wandel lassen sich in der jüngsten Dynamik des Augmented-Analytics-Marktes ausmachen. Laut der oben erwähnten Studie von Verified Market Research hatte der globale Markt für Augmented Data Analytics und Augmented BI im Jahr 2020 einen Wert von 7,7 Milliarden US-Dollar und wird bis 2028 mit einer CAGR von 29,8 % 62,5 Milliarden US-Dollar erreichen.
Dieser positive Trend lässt sich durch den wachsenden Anteil von Unternehmen erklären, die auf fortschrittliche analytische Softwarelösungen und Business-Intelligence-Dienste setzen, um ihre Datenbestände voll auszuschöpfen, sowie durch die Notwendigkeit, den Zugang zu Geschäftserkenntnissen zu demokratisieren und die Produktivität auf der Grundlage dieser Informationen weiter zu verbessern.
Verwandeln Sie Daten in einen Wettbewerbsvorteil mit der Anleitung von Itransition
Gebiete und Möglichkeiten der erweiterten Analytik
Wir haben bereits einige der wichtigsten Herausforderungen beschrieben, mit denen Datenwissenschaftler, Datenanalysten und Entscheidungsträger in Unternehmen tagtäglich konfrontiert sind, wenn es darum geht, Daten in Geschäftsempfehlungen umzuwandeln. Wir haben auch dargelegt, dass Augmented Analytics, angetrieben durch künstliche Intelligenz und andere verwandte Technologien, diese Probleme lösen oder zumindest deutlich abmildern kann. Jetzt müssen wir nur noch erklären, wie das geht und welche Vorteile es bringt.
Hier sind drei Anwendungsfälle, die die Hauptpfeiler von Augmented Analytics und Augmented Business Intelligence in einem typischen Geschäftsszenario darstellen.
1. Automatisierte Datenverwaltung
Wir haben bereits darauf hingewiesen, dass wir Daten erst einmal finden und sammeln müssen, bevor wir sie analysieren können. Angesichts der zunehmenden Größe und Komplexität von Datensätzen im Zeitalter der Digitalisierung erfordert dieser Prozess die Präzision und Geduld eines Mönchs als Amanuensis. Datenwissenschaftler tun ihr Bestes, aber im Gegensatz zu Mönchen möchten sie sich nicht an die Regel ora et labora (bete und arbeite) halten, indem sie ihr ganzes Leben mit mechanischen Aufgaben wie dem Bereinigen und Kennzeichnen von Daten verbringen.
Glücklicherweise kann ein Großteil dieser Datenaufbereitungsverfahren durch Augmented Analytics und Data-warehousing/modernisierung automatisiert werden. Algorithmusgestützte Systeme übernehmen insbesondere die Integration mehrerer Datenquellen (z. B. Unternehmensdatenbanken oder Online-Werbeplattformen) in einen kohärenten Datenstrom, die Umwandlung in ein einheitliches Speicherformat, das Laden in Data Warehouses und das Re-Engineering für die zukünftige Verarbeitung. Zusammen mit der cloud-datenintegration sorgt dies für eine weitaus höhere Geschwindigkeit und Genauigkeit der Datenverwaltung im Vergleich zu manuellen Methoden.
2. die Gewinnung von Einblicken
Wie die Bewegung der Meeresströmungen das Wirken mehrerer Kräfte widerspiegelt, z. B. der Winde und der thermohalinen Zirkulation, so ist der riesige Datenozean von zahllosen und ziemlich rätselhaften Dynamiken durchzogen, die selbst die aufmerksamsten Beobachter nur schwer erfassen und entschlüsseln können. Weniger poetisch und eher geschäftsbezogen ausgedrückt: Wie können wir aus riesigen Datensätzen Schlüsselparameter identifizieren, sie mit bestimmten Markttrends, Kundenverhaltensmustern oder anderen Ereignissen in Verbindung bringen und so praktische Vorschläge für unsere Entscheidungen erhalten?
Die Betrachtung von Tausenden von Kennzahlen und die Identifizierung von Beziehungen zwischen ihnen ist für Menschen eine große Herausforderung und zeitaufwändig. Algorithmen des maschinellen Lernens hingegen können Daten mühelos durchsuchen, Muster, Anomalien und Korrelationen zwischen Variablen erkennen und Datenmodelle erstellen, die diese darstellen und uns dabei helfen, ein vollständiges Bild der zu analysierenden Phänomene zu erhalten. Darüber hinaus passen solche Algorithmen ihre Modelle an, wenn sie neue Daten verarbeiten, und lernen durch Erfahrung neue Beziehungen zwischen Datenpunkten (wie der Begriff "maschinelles Lernen" nahelegt).
Für den konkreten Einsatz vor Ort bedeutet dies zum Beispiel, dass eine erweiterte Analyseplattform Daten über Ihre Verkaufsleistung, die Reichweite von Anzeigen in sozialen Medien und Marktstatistiken überwachen kann. Auf der Grundlage solcher Informationen kann sie herausfinden, dass die jüngste Umsatzsteigerung nicht so sehr von Ihren Marketinginitiativen abhing, sondern auf einen günstigen Trend in Ihrem Zielmarkt zurückzuführen ist, und Ihnen daher vorschlagen, Ihre Werbekampagne trotz Ihrer Begeisterung zu überdenken.
3. konversationelle und visuelle Analytik
Wenn Sie Analysten um geschäftliche Vorschläge bitten, werden sie Ihnen in einer perfekt verständlichen menschlichen Sprache antworten. Aber die Maschinen, auf die wir uns verlassen, um die oben erwähnten Prozesse zur Gewinnung von Erkenntnissen zu automatisieren, können nicht dasselbe tun, weil, nun ja, Computer nicht sprechen können. Oder vielleicht doch? Eigentlich ist das eine rhetorische Frage, denn wir alle wissen, dass die jüngsten Entwicklungen im Bereich der künstlichen Intelligenz und des NLP es praktisch jeder Software oder jedem Gerät in unserer Umgebung ermöglicht haben, die menschliche Kommunikation zu verstehen und nachzuahmen.
Augmented-Analytics-Plattformen bilden hier keine Ausnahme, da sie den Nutzern eine Vielzahl von Funktionen bieten, um Daten abzufragen und klare Geschäftseinblicke und Empfehlungen in natürlicher Sprache (geschrieben oder gesprochen) statt in Code zu erhalten. NLP-basierte Konversationsinteraktionen werden in der Regel durch Datenvisualisierungsfunktionen (z. B. Dashboards, Berichte und Diagramme) ergänzt, um relevante Metriken oder Trends hervorzuheben und die Interpretation der Ergebnisse der Plattform weiter zu vereinfachen.
Der bemerkenswerteste Effekt dieser Kombination ist die Möglichkeit, die Art und Weise, wie wir uns Daten nähern und sie nutzen, zu demokratisieren und den Zugang zu wertvollen Informationen für nicht-technische Nutzer zu gewährleisten.
Lassen Sie Daten Ihre Entscheidungsfindung bestimmen
Erweiterte Analytik und erweiterte BI-Plattformen
Augmented Analytics und Augmented Business Intelligence sind die heißesten Trends auf dem Markt für Analyseplattformen, und alle großen Anbieter haben eine Reihe von Funktionen in ihre Produkte integriert, um den analytischen Workflow zu verbessern oder zu automatisieren. Das bedeutet, dass jedes Unternehmen, das sich auf solche Fähigkeiten verlassen und damit die datengestützte Entscheidungsfindung verstärken will, auf die gesamte Bandbreite der zur Auswahl stehenden Softwarelösungen zählen kann.
Trotz einer ziemlich wettbewerbsintensiven Landschaft, die in den kommenden Jahren weiter fragmentiert werden dürfte, können wir 5 Hauptakteure in Bezug auf den Marktanteil identifizieren, wie Mordor Intelligence in seinem Bericht über den Augmented Analytics-Markt 2021 darlegt.
Eine Plattform auszuwählen, die den Anforderungen Ihres Unternehmens entspricht, ist keine einfache Aufgabe. Um Ihnen bei der Auswahl zu helfen, lohnt es sich, die Kernfunktionen zu definieren, nach denen Sie in einer Augmented-Analytics- und Augmented-BI-Lösung suchen sollten, und die Stärken und Schwächen der wichtigsten Tools auf dem Markt zu untersuchen.
Im Hinblick auf den ersten Punkt haben die Analysten von Gartner eine Liste empfohlener Augmented-Analytics-Funktionen zusammengestellt, die Folgendes umfasst:
- Möglichkeit des Einsatzes in der Cloud und vor Ort
- Solide Cybersicherheitsfunktionen, wie Identitäts- und Zugriffsmanagement
- Konnektivität mit Speicherplattformen und anderen Datenquellen
- Unterstützte Datenkombination aus verschiedenen Quellen und Aufbereitung
- Automatisierte Einblicke, um Endanwendern Geschäftsempfehlungen zu geben
- Datenvisualisierung und Storytelling zur einfachen Interpretation und Weitergabe wichtiger Erkenntnisse
- NLP-basierte Datenabfrage und Berichterstattung, um Informationen schnell und reibungslos zu erhalten
Zum zweiten Aspekt, nämlich den Vor- und Nachteilen der fünf wichtigsten Plattformen für Augmented Analytics und Augmented Business Intelligence, gibt es hier eine kurze Zusammenfassung.
Microsoft Power BI
Gegenwärtig kann Microsofts Flaggschiff-Plattform ohne weiteres als Marktführer im Bereich der erweiterten Analytik angesehen werden. Power BI ist preisgünstig, bietet solide automatisierte ML-Funktionen und kann in Synergie mit anderen Microsoft-Produkten wie Office 365 und Teams arbeiten.
Es ist jedoch noch weit davon entfernt, das "eine Tool, das alle beherrscht" zu sein, da es generell an Flexibilität in Bezug auf die Bereitstellungsoptionen mangelt. Power BI läuft nur in Azure, und seine funktionalen Möglichkeiten vor Ort sind ziemlich begrenzt.
Qlik Sense
Unternehmen, die Qliks führendes Produkt für Augmented Analytics einsetzen, können sich auf die leistungsstarken Associative und Cognitive Engines verlassen, um kontextbezogene Erkenntnisse im Self-Service-Modus zu erhalten. Darüber hinaus bietet Qlik Sense sowohl eine Cloud- als auch eine On-Premises-Bereitstellung, flexible Datenvisualisierungs- und Storytelling-Funktionen sowie eine ständig erweiterte Palette an Funktionen dank neuer Übernahmen.
Auf der anderen Seite ist das Produktlizenzierungsmodell recht komplex und die erwähnten Übernahmen haben zu sich überschneidenden oder schlecht integrierten Funktionalitäten geführt.
Salesforce Tableau
Vormals als Einstein Analytics bekannt, ist Tableau eine geschäftsorientierte Augmented-Analytics-Plattform, die Entscheidern fortschrittliche Visualisierungsfunktionen zur Verfügung stellt, um Daten zu erforschen und wertvolle Erkenntnisse zu teilen. Eine weitere Stärke von Tableau für Datenwissenschaft ist die lebendige Nutzergemeinschaft aus Kunden und Partnern, die ihr Fachwissen teilen.
Allerdings hat all dies einen (relativ hohen) Preis, nämlich den von Tableau. Darüber hinaus ist die Service- und Supportqualität laut Gartner Peer Insights insgesamt etwas schlechter als bei der Konkurrenz, vor allem in Bezug auf die Reaktionsgeschwindigkeit.
IBM Cognos Analytics mit Watson
IBMs Schlagwort lautet "Flexibilität", denn seine Augmented-Analytics-Lösung bietet eine Vielzahl von On-Premises-, Cloud- und Hybrid-Bereitstellungsmodellen, unterstützt mehrere IaaS-Plattformen (wie Azure, GCP, AWS und IBM Cloud) und deckt ein umfassendes Spektrum an Anwendungsfällen ab. Dazu gehören die automatische Generierung von Erkenntnissen, NLP-basiertes Data Storytelling, visuelle Datenexploration und andere Augmented-Analytics-Funktionen.
Die Kehrseite der Medaille ist, dass der Preis pro Nutzer bei Cognos höher ist als bei anderen Cloud-Alternativen und dass IBM wichtige unternehmensorientierte Anwendungen in seinem Produktangebot vermisst, darunter Softwarelösungen für den digitalen Arbeitsplatz.
SAP Analytics-Wolke
SAPs Antwort auf die wachsende Nachfrage von Entscheidungsträgern nach erweiterten Analysetools ist eine Cloud-basierte Plattform, die sich durch hervorragende Benutzerfreundlichkeit und eine intuitive Benutzeroberfläche auszeichnet. Sie kombiniert außerdem fortschrittliche NLP-gestützte Datenabfragen und Funktionen zur automatischen Gewinnung von Erkenntnissen mit einer einzigartigen Planungsfunktionalität, die auf predictive-analytics basiert.
Bedauerlicherweise handelt es sich bei der Augmented-Analytics-Lösung von SAP im Wesentlichen um eine Cloud-native Plattform, die zusätzliche Tools aus demselben Ökosystem (aber mit völlig anderen Support- und Wartungsplänen) erfordert, um vor Ort eingesetzt werden zu können.
Andere potenzielle Herausforderer
Lassen Sie uns unseren Überblick mit einer Reihe weiterer bemerkenswerter Herausforderer schließen, die sich in Zukunft einen prominenten Platz auf dem Markt für Augmented Analytics und Augmented Business Intelligence sichern könnten.
| Plattform | Profis | Nachteile |
|---|---|---|
| Google Loocker | Direkte Datenabfrage von Cloud-Datenbanken | Erfordert Kodierung und fortgeschrittene Kenntnisse |
| Domo | Große Konnektivität mit Unternehmensanwendungen und schnelle Bereitstellung | Mangel an einem umfassenden App-Ökosystem |
| ThoughtSpot Everywhere | Starker Fokus auf NLP und automatisierte Erkenntnisse | Beschränkte globale Reichweite und breiteres Ökosystem |
| Sisense | Erweiterbare Architektur und NLP-basierte Interaktivität | Mangel an Ressourcen und Unterstützung durch Dritte |
| Oracle Analytics Cloud | End-to-End-Lösung für Datenmanagement und -analyse | Eingebettete Analysefunktionen funktionieren nur mit Oracle-Anwendungen |
Vier Tipps für den Einstieg in die erweiterte Analytik
Augmented Analytics revolutioniert die Art und Weise, wie wir Daten erforschen und als potenzielle Ressource nutzen. Sie ist jedoch kein Allheilmittel, und die allgemeinen Empfehlungen zur Erleichterung der Implementierung von Datenanalysen in Ihre Unternehmensabläufe gelten auch für ihr fortgeschritteneres Gegenstück:
- Wenn Sie eine Lösung mit geringeren Vorlaufkosten und einem kürzeren Implementierungszeitraum benötigen, entscheiden Sie sich für ein erweitertes Analysetool, das auf den oben beschriebenen Plattformen aufbaut. Wenn Sie dagegen Wert auf eine vollständige Personalisierung und einen maßgeschneiderten Funktionsumfang legen, ist ein kundenspezifisches Analysesystem möglicherweise die beste Wahl.
- Datenschutz ist nicht nur eine Frage der Cybersicherheitsmaßnahmen, die in die von Ihnen erstellte oder ausgewählte Plattform eingebettet sind. Kümmern Sie sich um Ihre Unternehmensdaten, indem Sie solide Data-Governance-Richtlinien und -Tools (z. B. Datenqualitätsmeldungen, Unternehmensdatenkataloge und Mapping-Funktionen) implementieren, um die gemeinsame Nutzung von Daten in Ihrem Unternehmen zu überwachen.
- Stellen Sie sicher, dass die von Ihnen implementierte Augmented-Analytics-Lösung den Qualitätsvorschriften Ihrer Branche für das Datenmanagement und der internationalen Datenschutzgesetzgebung entspricht, einschließlich GDPR, HIPAA, FISMA und mehr.
- Auch wenn Augmented Analytics die schwierigsten Schritte des Analysezyklus erheblich vereinfacht, handelt es sich dennoch um ein Tool, das in voller Kenntnis der Sachlage eingesetzt werden sollte. Investieren Sie in gezielte Schulungsinitiativen, fördern Sie eine Unternehmenskultur, die Datenkompetenz und Analysefähigkeiten umfasst, um diese Disziplin zu entmystifizieren, und richten Sie Kompetenzzentren ein, um ihre Implementierung zu überwachen.
Solche Richtlinien sollten Ihnen dabei helfen, das volle Potenzial von Augmented Analytics auszuschöpfen, die Arbeitsabläufe Ihrer Analysten und Manager zu optimieren und das Beste aus Ihren Datenbeständen herauszuholen. Lassen Sie mich in diesem Zusammenhang unseren Überblick mit einem weiteren berühmten Zitat des guten alten Sherlock abschließen.
"Daten! Daten! Daten! Ohne Lehm kann ich keine Ziegelsteine machen."
Nun, er hatte sicherlich Recht. Aber mit besseren Instrumenten wird das Formen von Ziegeln wesentlich einfacher. Und das mächtigste Werkzeug, das uns heute zur Verfügung steht, ist die erweiterte Analytik.
