Augmented Analytics: Was Sie für 2019 wissen müssen

Wenn Unternehmen ihre Reise zur digitalen Transformation beginnen oder fortsetzen, nimmt die Menge der von ihnen verarbeiteten Daten an Volumen und Komplexität zu.

Traditionelle Analytik – der Prozess der Aufbereitung und Analyse von Daten, der Interpretation von Ergebnissen und des Erzählens von Geschichten mit diesen Daten – ist ein manueller, zeitintensiver Prozess. Und es stellt Unternehmen vor erhebliche Herausforderungen, die versuchen, mit der kontinuierlichen Datenflut fertig zu werden.

Um den Zeitrahmen für die Marktreife der digitalen Transformation einzuhalten, ist es unerlässlich, den Zeitaufwand manueller Analysen zu reduzieren.

Dazu können wir Human Data Scientists mit maschinellem Lernen (ML) und künstlicher Intelligenz (KI) ergänzen, um jeden Schritt auf dem Weg der Analytik zu beschleunigen – so genannte Augmented Analytics.

In den letzten 12 bis 18 Monaten ist Augmented Analytics als Feld gewachsen und immer mehr Unternehmen beginnen, diesen Prozess zu akzeptieren.

Unternehmen, die sich in vielen Branchen wie Pharma, Einzelhandel, Fertigung und mehr einer digitalen Transformation unterziehen, beginnen, Augmented Analytics einzusetzen.

Ich glaube, dass dieses aufstrebende Feld im kommenden Jahr breiter genutzt und verstanden werden wird.

Kurzer Hintergrund zu Augmented Analytics

Mitte der 2000er Jahre wurden Cloud-Speicher und massiv verfügbare Rechenleistung zum Mainstream. Dies führte dazu, dass Big Data Analytics explodierte.

Dies war eine bedeutende Änderung, aber der Prozess war immer noch sehr manuell – was bedeutete, dass Analytics-Experten immer noch viel Code schreiben mussten.

Vor der Big-Data-Revolution mussten Unternehmen möglicherweise Tausende von Datenflüssen scannen, um aussagekräftige Erkenntnisse zu gewinnen, aber heute sprechen wir von Millionen von Datenflüssen.

Es stellt sich die Frage: Wie kann Datenanalyse den gleichen Wert liefern und gleichzeitig den Zeitaufwand enorm reduzieren, wenn man weiß, dass schnellere Analysen = schnellere Markteinführungszeit = stärkerer ROI.

Dafür ist Augmented Analytics gedacht – die Beschleunigung des Bereichs der Datenanalyse, um mehr Wert zu erzielen

Da die Notwendigkeit besteht, wachsende Datenmengen zu verarbeiten und zu verstehen, stellt Augmented Analytics einen großen Wandel in diesem Studienbereich dar.

Augmented Analytics führt bereits zu Störungen bei der Interpretation, Erstellung und Weitergabe von Analysen. Dies wiederum ermöglicht es Datenwissenschaftlern, weniger Zeit mit der Untersuchung von Daten zu verbringen und mehr Zeit mit der Umsetzung der relevantesten Erkenntnisse zu verbringen als mit herkömmlichen, manuellen Methoden.

Dieser Ansatz ist ein leistungsstarker Mechanismus, der es Unternehmen ermöglicht, reaktionsschneller und agiler zu sein – ein notwendiger Aspekt der digitalen Transformation .

Schauen wir uns zunächst die wichtigsten Vorteile von Augmented Analytics an und wie diese Praxis traditionelle Geschäftsmodelle verändert. Erweiterte Analytik:

• beschleunigt den Datenvorbereitungs- und -ermittlungsprozess;
• demokratisiert die Datenanalyse für weniger geschäftstüchtige Benutzer;
• ermöglicht die Übernahme umsetzbarer Erkenntnisse für das Führungsteam und die gesamte Organisation.

Die Bedeutung dieser Vorteile für digitale Unternehmen ist enorm

Es ist allgemein bekannt, dass für Unternehmen im digitalen Zeitalter Daten der Schlüssel zum Gewinnen relevanter, umsetzbarer Erkenntnisse sind.

Die zugrunde liegenden Komplexitäten, die manuellen Analyseprozessen innewohnen, schaffen jedoch viele Hindernisse.

Zum einen sind Data Scientists rar, die in der Praxis von Data Science versiert sind und zudem über ein ausgeprägtes Verständnis von Geschäftsmodellen und Abläufen verfügen.

Darüber hinaus ist die Zeit eines Datenwissenschaftlers wertvoll – ein Großteil dieser Zeit wird jedoch damit verbracht, Daten manuell durch Bereinigen und Etikettieren vorzubereiten. Dieser Mangel an Zeit und Kapazität bedeutet, dass die meisten Datenanalysen mit einem kleinen Teil der Daten durchgeführt werden, während ein großer Teil der Datenbestände nicht abgebaut wird.

Lassen Sie uns die oben aufgeführten Vorteile untersuchen, um zu sehen, wie wirklich disruptiv Augmented Analytics sind.

Drei Hauptvorteile von Augmented Analytics

1. Beschleunigt die Datenvorbereitung und -erkennung

Bei manueller Durchführung ist die Datenaufbereitung ein mühsamer und komplexer Aufwand.

Wenn Data Scientists Millionen von Datensätzen durchforsten müssen, kann die vermeintlich einfache Aufgabe, beispielsweise alle Kunden aus einer bestimmten Region zu finden, buchstäblich Monate dauern.

Nehmen Sie das Beispiel eines großen Einzelhändlers für Spezialpapierprodukte. Als Teil ihrer digitalen Reise mussten sie die Kunden besser verstehen, aber die Daten aus Altsystemen hatten eine schlechte Qualität.

Es waren nicht nur riesige Datenmengen zu untersuchen, sondern es gab auch Inkonsistenzen in verschiedenen Bereichen, und es war entmutigend, sie in ein einheitliches Format zu bringen.

Es waren 26 Millionen Datensätze in 1200 verschiedenen XML-Dateiformaten zu bewerten.

Die Bereinigung der Daten mit manuellen Prozessen hätte sechs bis zwölf Monate gedauert. Durch den Einsatz von Augmented Analytics-Datenaufbereitungstechniken und ML-Algorithmen konnte der Einzelhändler die Daten in etwa drei Wochen bereinigen.

Durch die Automatisierung dieser iterativen Schritte kann die gesamte Datenvorbereitungs- und -ermittlungszeit um 50-80 % verkürzt werden.

Stellen Sie sich vor, wie viel produktiver und effizienter Ihr Datenanalyseteam wäre, wenn dies der Fall wäre!

2. Demokratisiert die Datenanalyse

Nachdem die Daten aufbereitet wurden, erkennt Augmented Analytics Signale, die sich auf Geschäftsmodelle auswirken, die weniger geschäftstüchtige Datenwissenschaftler möglicherweise nicht finden können.

Mit Augmented Analytics müssen Datenwissenschaftler nicht den geeigneten Algorithmus bestimmen oder Code schreiben, um Ergebnisse zu erhalten.

Ein erweitertes Analysetoolset führt acht bis zehn Algorithmen für die Daten aus und passt sie in ein gemeinsames Format ein, um Muster und Ausreißer zu erkennen.

Ein großes Unternehmen möchte beispielsweise von seinen Lieferanten Einblicke in die Rechnungsstellung erhalten, um festzustellen, ob Ausreißer vorhanden sind, die weitere Untersuchungen erfordern.

Bei Betrieben und Mitarbeitern auf der ganzen Welt kann dies jeden Monat Rechnungen von Tausenden oder Hunderttausenden von Anbietern entsprechen.

Basierend auf den zugrunde liegenden Daten beginnt Augmented Analytics mit der Erkennung von Mustern und erstellt automatisch eine Ausreißeranalyse, um zu erkennen, wann ein bestimmter Anbieter, der dem Unternehmen regelmäßig 50.000 US-Dollar pro Monat in Rechnung stellt, eine Rechnung über 500.000 US-Dollar sendet.

Dies würde zwar nicht automatisch als betrügerische Aktivität gekennzeichnet, aber der größere als übliche Betrag würde als etwas gekennzeichnet, das der Datenanalytiker weiter untersuchen sollte, und es entfällt die Last, zuerst den Algorithmus zu schreiben, um diese Entdeckung zu machen.

Mit anderen Worten, Augmented Analytics demokratisiert die Erkenntnisse, macht es Geschäftsanwendern einfach, komplexe Erkenntnisse zu extrahieren und ihnen dabei viel Zeit zu sparen.

3. Ermöglicht die Übernahme umsetzbarer Erkenntnisse für Führungskräfte und im gesamten Unternehmen

Sobald Signale und Muster festgelegt sind, müssen die Ergebnisse mit den Führungskräften kommuniziert werden.

Herkömmliche Vorgehensweisen, wie das Erstellen eines Berichts oder Dashboards, stellen eine zusätzliche Belastung für Führungskräfte dar, die normalerweise keine Zeit haben, sich bei einer Plattform anzumelden und ihre eigene Dateninterpretation durchzuführen.

Mit Augmented Analytics liest das Tool das Diagramm oder den Bericht und übersetzt die Informationen in Aussagen in natürlicher Sprache wie „Ihre Verkäufe gehen in Region X zurück, ein Trend, der in den letzten Monaten anhält“. Oder: „Sie verlieren Marktanteile an Wettbewerber Y.“

Teamleiter erhalten Antworten auf Fragen wie „Der Umsatz ist auf breiter Ebene um 10 % gestiegen, aber wie sieht es mit den Margen auf jeder regionalen Ebene aus?“ Die Bereitstellung dieser umsetzbaren Erkenntnisse ermöglicht eine datengesteuerte Entscheidungsfindung und erhöht die Akzeptanz im gesamten Unternehmen.

Ausgereifte Analysesysteme bieten Sprach- und natürliche Sprachverarbeitungsfunktionen und sind in Unternehmenssuchschnittstellen und BI-Plattformen eingebettet.

Stellen Sie sich Folgendes vor: Data Scientists können mithilfe natürlicher Sprache mit Augmented-Analytics-Plattformen interagieren, indem Sie einfach eine Frage stellen, wie zum Beispiel: „Wie schneiden unsere Vertriebsanstrengungen im Vergleich zu unseren Wettbewerbern ab?“

Augmented Analytics befasst sich mit der Komplexität hinter den Kulissen und macht den Datenanalyseprozess für Geschäftsanwender und Citizen Data Scientists gleichermaßen einfach.

Wie können Sie mit Augmented Analytics vorankommen?

Mit den oben beschriebenen Vorteilen und den verfügbaren Technologien, die diesen großen Umbruch ermöglichen, stellt sich nicht die Frage, ob Sie Augmented Analytics einsetzen sollten. Die Frage ist, wann und wie man anfangen soll.

Es gibt zwar mehrere Arten von Tools für die verschiedenen oben beschriebenen Schritte, aber es gibt kein Tool, das alle Funktionen erfüllt oder für alle Organisationen geeignet ist.

Der beste Weg für Unternehmen ist, mit einem Beratungspartner zusammenzuarbeiten, der über umfassende Erfahrung in der Analytik und in aufkommenden erweiterten Analytics-Toolsets und -Methoden verfügt, um eine benutzerdefinierte Roadmap zu erstellen. Um einen erfolgreichen Weg nach vorne zu schaffen, muss die richtige Kombination von Menschen, Prozessen und Technologie zusammenkommen.

Augmented Analytics ist immer noch ein sich entwickelndes Feld. Heutzutage setzen die meisten Unternehmen Augmented Analytics nicht für den gesamten End-to-End-Prozess ein, sondern beginnen mit einem kleinen Teil – was ein guter Weg ist.

Ich gehe davon aus, dass sich das in den nächsten Jahren ändern wird und Unternehmen Augmented Analytics für den gesamten Datenanalyse-Lebenszyklus einsetzen werden.

Im Jahr 2019 sind die wesentlichen Vorteile, die Augmented Analytics bieten, die wichtigsten zu berücksichtigenden Bereiche: Geschwindigkeit, Demokratisierung und breite Akzeptanz.

Mit diesen Fähigkeiten sind Unternehmen bestens gerüstet, um Kundenbedürfnisse zu verstehen und zu antizipieren, Geschäftsprozesse anzupassen und zu verbessern und sich für den Erfolg zu positionieren – heute und weit in die Zukunft.