Was ist Augmented Analytics?

Automatisches Datenmanagement

Zu den offensichtlichsten Vorteilen von Augmented Analytics gehört die Möglichkeit, langweilige Aufgaben zu reduzieren und Zeit zu sparen. Mit der Zunahme der Datenmenge, die durch das Zeitalter von Big Data eingeleitet wurde, stieg auch der Arbeitsaufwand, der erforderlich ist, um diese Daten für die Analyse vorzubereiten und Erkenntnisse aus verteilten Datenquellen zusammenzuführen.
 

Datenaufbereitung

Um von Algorithmen für maschinelles Lernen verarbeitet werden zu können, müssen Daten aus verschiedenen Quellen gesammelt, organisiert und aggregiert und dann sauber und konsistent formatiert werden. Beim Umgang mit tabellarischen Datensätzen müssen beispielsweise Datenfelder einheitlich angeordnet werden, um sicherzustellen, dass die jeweiligen Merkmale der Vektoreinbettungen für jeden Datenpunkt mit denen anderer Datenpunkte übereinstimmen. Wenn dies manuell durchgeführt wird, kann dies ein sehr mühsamer und arbeitsintensiver Prozess sein.

Moderne, KI-gestützte BI-Plattformen können maschinelles Lernen nutzen, um viele Datenbereinigungsaufgaben zu automatisieren, indem sie:

• Automatische Erkennung relevanter Datenattribute. Ein Algorithmus könnte beispielsweise das Vorhandensein geografischer Informationen (wie eine Postleitzahl oder Längen- und Breitengradkoordinaten) oder Kontaktinformationen (wie eine E-Mail-Adresse oder Telefonnummer) erkennen. Diese Datenmerkmale können dann in einem einheitlichen Formatierungsschema platziert werden.

• Gewährleistung der Datenqualität und Wahrung der Privatsphäre. Algorithmen können so trainiert werden, dass sie Eingaben aus verschiedenen Datenquellen gemäß den Data-Governance-Richtlinien eines Unternehmens gewichten, herabstufen oder ignorieren. Eine Augmented Analytics-Plattform kann die Durchsetzung von Data-Governance-Praktiken weiter unterstützen, indem sie beispielsweise Datenpunkte automatisch von personenbezogenen Daten (PII) bereinigt. Dies ist besonders in Bereichen wie dem Gesundheitswesen hilfreich, in denen die Nutzung solcher Informationen stark reguliert ist.

• Lesen und Extrahieren von Informationen aus PDF- oder Rich-Text-Quellen. Dieser Prozess kann auch die Entfernung oder Ersetzung von Nullwerten oder Sonderzeichen wie Satzzeichen oder nicht standardmäßigen Symbolen beinhalten, um Text in ein maschinenlesbares Format zu konvertieren.

• Indizierung und Gruppierung zusammenhängender Informationen. Ein Algorithmus könnte beispielsweise die Existenz paralleler Datenpunkte in verschiedenen Quellen erkennen und eine Aggregation vorschlagen oder redundante Datenpunkte erkennen und diese automatisch zu einem einzigen Eintrag zusammenfassen. Darüber hinaus kann eine Augmented-Analytics-Plattform ein Modell integrieren, das in der Lage ist, effektive Vektoreinbettungen für jedes Dokument zu erstellen, um eine effiziente Vektorsuche und -abruf sowie eine Retrieval-Augmented Generation zu ermöglichen.

Datenerkennung

Obwohl die Arbeit, die typischerweise mit Datenanalysten in Verbindung gebracht wird, in der Regel das proaktive Abfragen von Daten zur Unterstützung spezifischer Entscheidungen oder zum Testen spezifischer Hypothesen umfasst, liegt der größte Nutzen einer soliden Datenwissenschaft in der Untersuchung von Daten im Allgemeinen auf unentdeckte oder unerwartete Zusammenhänge und Erkenntnisse.  

Ein Tool für Augmented Analytics könnte beispielsweise automatisch Zusammenhänge zwischen verschiedenen Datenquellen empfehlen, die ein Benutzer sonst übersehen hätte, oder Ausreißer oder anomale Trends für eine weitere Analyse aufdecken. Die Anwendung von unüberwachtem Lernen, wie z. B. Assoziations- oder Clustering-Modelle, kann inhärente Muster und Korrelationen erkennen, die zu umsetzbaren Erkenntnissen führen können.

Interaktionen mit natürlicher Sprache

Eines der größten Einstiegsbarrieren für nicht-technische Benutzer, die sich für Datenanalysen interessieren, ist das für die traditionelle Datenanalyse erforderliche umfassende Fachwissen. Für viele Menschen ist es zu schwierig oder zeitaufwendig, das Programmieren oder die Verwendung der strukturierten Abfragesprache (SQL) zu erlernen. Dazu gehört das Erlernen der statistischen Verfahren, der Nomenklatur und der Best Practices, die für eine effektive Interpretation und Validierung der Ergebnisse erforderlich sind.

Die Verbindung von Datenanalyse und Verarbeitung natürlicher Sprache (NLP) ist vielleicht die wirkungsvollste und intuitivste Möglichkeit, wie Augmented Analytics den Zugang zu datengestützten Erkenntnissen erweitert. Benutzer können Daten in einfacher, verständlicher Sprache abfragen – „Welche Produkte haben in den 30 Tagen nach der Weihnachtszeit die höchsten Rückgabequoten?“ – und erhalten Antworten in einer ähnlich einfachen Sprache.

Auf der Backend-Seite muss ein LLM diese Abfrage in natürlicher Sprache interpretieren, sie in eine strukturierte Anfrage übersetzen und Annahmen treffen, um fehlende Informationen auf der Grundlage seines Verständnisses des Kontexts der Frage des Benutzers zu ergänzen. Zur Bearbeitung des Antrags müssen ein oder mehrere Modelle ausgewählt werden. Das Modell muss die Datenquelle(n) zeichnen, die für den Sachverhalt am relevantesten ist/sind. Schließlich muss der LLM die mathematischen Ergebnisse interpretieren und sie so formulieren, dass relevante Details im Mittelpunkt stehen.

Aus der Sicht des Benutzers stellen sie jedoch einfach eine Frage und erhalten eine Antwort.

Datenvisualisierung

Die besten Augmented-Analytics-Lösungen bieten nicht nur robuste Datenvisualisierungs-Funktionen, sondern integrieren Datenvisualisierungen auch in die automatisierte Erstellung von Berichten, um die gemeinsame Datennutzung und Entscheidungsfindung zu erleichtern.

Während die natürliche Sprache oft eine sehr nützliche Möglichkeit ist, Informationen zu artikulieren, ist die Visualisierung oft die intuitivste Methode, um Vergleiche anzustellen und Muster hervorzuheben. Grafiken, Diagramme, Diagramme, Plots, Heatmaps und andere Typen der Datenvisualisierung können eine nützliche Möglichkeit sein, Daten zu untersuchen und Zusammenhänge herzustellen, an die man bei einer Abfrage vielleicht nicht explizit denkt.

In der Vergangenheit erforderte die Verarbeitung einer Anfrage in natürlicher Sprache als Eingabe und die Ausgabe einer ausgeklügelten Datenvisualisierung die ausgeklügelte Choreografie mehrerer Modelle, die wie am Fließband arbeiteten. Die Weiterentwicklung von bisher rein textbasierten LLMs zu multimodalen KI-Modellen, die nahtlos über verschiedene Datenmodalitäten hinweg arbeiten können, hat die Vielseitigkeit von Augmented Analytics-Plattformen weiter optimiert.

Dies ermöglicht einen dynamischen Ansatz bei der Datenanalyse, bei dem auch technisch nicht versierte Benutzer Zusammenhänge und Hypothesen offen untersuchen können, wobei Ergebnisse, Empfehlungen und bemerkenswerte Erkenntnisse in benutzerfreundlichen interaktiven Dashboards leicht zugänglich gemacht werden.

Automatisierte Einblicke und statistische Analysen

Obwohl NLP im Rampenlicht steht, zeigen Gartners jüngste Ergebnisse der Magic-Quadrant-Umfrage, dass die gefragteste Funktion für Analyse- und Business-Intelligence-Plattformen (ABI) nicht die Abfrage in natürlicher Sprache ist, sondern automatisierte Erkenntnisse. Mit anderen Worten: Geschäftskunden sind mehr an den Ergebnissen als am Prozess zur Erzielung dieser Ergebnisse interessiert.¹

Die besten Augmented-Analytics-Lösungen erleichtern die Entscheidung, wie genau die Daten abgefragt werden sollen, um Erkenntnisse zu gewinnen, und geben Geschäftsanwendern die Möglichkeit, sich auf die Umsetzung dieser Erkenntnisse zu konzentrieren. Über die NLP-Funktionen auf Oberflächenebene hinaus kann ein LLM als Echtzeit-Entscheidungsmaschine fungieren. Dies ermöglicht es einer modernen Augmented Analytics-Plattform, die Analyse viel dynamischer auf den spezifischen Kontext der Anfrage eines Benutzers zuzuschneiden, als dies mit einfachen WENN-DANN-Regeln möglich wäre.

Zum Beispiel kann Augmented Analytics-Software aus der Art einer Anfrage ableiten, welche Art von Daten untersucht werden soll und welche Art von Analyse gewünscht wird, und dann auf intelligente Weise optimale Datenvisualisierungsschemata vorschlagen. Augmented-Analytics-Lösungen können auch Analysen über mehrere Prognosemodelle hinweg durchführen und die Vorhersagen des Modells hervorheben, das die größte Sicherheit bietet. Plattformen können dadurch Erkenntnisse über den Vorhersageprozess liefern, anstatt nur Vorhersagen auszuspucken.

Automatisierte Erkenntnisse ermöglichen auch eine proaktive Datenanalyse, bei der Ausreißer und aufkommende Trends sofort erkannt werden, anstatt auf die richtige Abfrage zu warten, um die Trends sichtbar zu machen. Beispielsweise könnten automatische Analyse-Tools einen unerwarteten Rückgang der Metriken zur Kundenbindung feststellen und die Geschäftsanwender auf Mängel in der Customer Experience hinweisen, damit diese verstanden und behoben werden können.

Vorausschauende Analyse und präskriptive Analyse

Eine optimale Analyseplattform sollte in der Lage sein, Daten aus verschiedenen Blickwinkeln zu analysieren, um die Vergangenheit zu verstehen und fundierte Entscheidungen für die Zukunft zu treffen. Es gibt vier wichtige Untergruppen analytischer Erkenntnisse, die alle für den Entscheidungsprozess von wesentlicher Bedeutung sind.

• Deskriptive Analysen befassen sich mit objektiven Analysen: Was ist passiert oder was passiert gerade? Im Zusammenhang mit Lieferketten könnte die deskriptive Analyse beispielsweise untersuchen, wo Geld ausgegeben wird oder wo es zu Bestandslücken kommt.

• Diagnostische Analysen zielen darauf ab, die Vergangenheit zu verstehen: Warum Dinge geschehen sind. Zum Beispiel könnte eine Analyse des bisherigen Kundenverhaltens genutzt werden, um zu erklären, warum eine laufende Marketinginitiative hinter den Erwartungen zurückbleibt.

• Vorausschauende Analysen zielen darauf ab, die Zukunft vorherzusagen: Die Wahrscheinlichkeit, dass etwas eintritt, oder die erwarteten Ergebnisse für mögliche Vorgehensweisen. Vorausschauende Analysen bilden in der Regel das Fundament einer Business-Intelligence-Operation, indem sie Entscheidungen auf einem tieferen Verständnis ihrer wahrscheinlichen Folgen gründen.

• Präskriptive Analyse zielen darauf ab, optimale Maßnahmen vorherzusagen: Was sollte geschehen oder wie kann die Wahrscheinlichkeit eines gewünschten Ergebnisses maximiert werden? Die Disziplin der präskriptiven Modellierung befähigt Systeme wie Empfehlungsmaschinen, die vorausschauende Analyse mit einer starken Entscheidungslogik kombinieren, um den idealen Weg nach vorne zu ermitteln.