Augmented Analytics Endlose Möglichkeiten durch viele Use Cases

Autor / Redakteur: Dipl. Betriebswirt Otto Geißler / Nico Litzel

Es genügt heute nicht mehr Daten zu lagern und bei Bedarf zu analysieren. Unternehmen müssen kontinuierlich Daten erfassen und auswerten, um dann sofort Maßnahmen ergreifen zu können. Aber wie? Die Lösung lautet Augmented Analytics.

Firmen zum Thema

Augmented Analytics ist keine Zukunftsmusik mehr. KI-gestützte Datenanalyse-Tools und -Services sind bereits heute verfügbar.
Augmented Analytics ist keine Zukunftsmusik mehr. KI-gestützte Datenanalyse-Tools und -Services sind bereits heute verfügbar.
(Bild: gemeinfrei / Pixabay )

Damit Marktteilnehmer mit ihren Konkurrenten mithalten können, müssen sie in der Lage sein, sich jederzeit an Veränderungen anzupassen. Zu diesem Zweck sollten sie ihre Daten genau verstehen und möglichst schnell auswerten können, um so noch schneller Erkenntnisse zu erzielen als der vergleichbare Wettbewerb. Gemessen an den steigenden Anforderungen einer sich immer schneller verändernden Welt, sind herkömmliche Lösungen der Datenanalyse zu aufwendig und vor allem viel zu zeitraubend.

Innovative Lösungen wie die Augmented Analytics tragen dazu bei, zielführende Entscheidungen dramatisch zu beschleunigen. Das heißt, hochqualitative Analysen lassen sich so in wesentlich kürzerer Zeit, mit weniger Anforderungen an qualifizierte Benutzer und mit weniger interpretativen Verzerrungen als bei aktuellen manuellen Ansätzen bereitstellen. Wobei Augmented Reality die Implementierung von Künstlicher Intelligenz (KI) in die konventionelle Analytik beinhaltet und häufig im Kontext von maschinellem Lernen (ML) und natürlicher Sprachverarbeitung (NLP) gesehen wird.

Umstellung auf Datensteuerung

Augmented Analytics werden in Unternehmen eingesetzt, um mit dem wachsenden Volumen an unstrukturierten und strukturierten Daten sinnvoll umzugehen. Einer der Gründe für den Einsatz des Verfahrens liegt in der allgemeinen Verfügbarkeit von Daten. Augmented-Analytics-Lösungen werden mit vorgefertigten Modellen und Algorithmen verfügbar gemacht, sodass Unternehmen im Grunde keine Datenwissenschaftler oder IT-Mitarbeiter mehr benötigen, um diese Aufgaben zu erledigen. Zudem sind solche Modelle mit benutzerfreundlichen Oberflächen sofort einsatzbereit.

Augmented Analytics empfiehlt, welche Datensätze in Analysen einbezogen werden sollten, benachrichtigt Benutzer, wenn Datensätze aktualisiert werden, und schlägt neue Datensätze vor, wenn Benutzer nicht die erwarteten Ergebnisse darin finden. Auf diese Weise erhalten alle Anwender quasi mit nur einem Klick exakte Prognosen und Vorhersagen auf Basis historischer Daten. Da Augmented-Analytics-Plattformen mit NLP ausgestattet sind, ist auch der nicht-technische Anwender dazu befähigt, auf einfache Weise Fragen zu den Quelldaten zu stellen.

Die Software findet dann die relevanten Daten, sodass die Ergebnisse mithilfe von Visualisierungstools oder natürlicher Sprachausgabe leicht zu verstehen sind. Damit kann jeder Nutzer schnell spezifische Muster erkennen und Trends vorhersagen. Auf diese Weise lässt sich wertvolle Zeit einsparen, indem der Anwender zielführend von Daten zu Erkenntnissen und schließlich zu Entscheidungen geleitet wird.

Plattform als Virtual Advisor

Auf Basis der Augmented-Analytics-Technologie baute die Versicherungsgesellschaft der Allianz in Italien eine Plattform als Virtual Advisor auf. Die Plattform ermöglicht es den Versicherungsvertretern auf Daten zu Produktleistungen oder Kundenprofilen mithilfe von Sprach- oder Eingabeabfragen in natürlicher Sprache per Smartphone zuzugreifen. Dieser neue virtuelle Berater ist quasi als ein „weiterer Kollege“ im Hintergrund für das Netzwerk der professionellen Agenten tätig. Er kann in kürzester Zeit riesige Datenmengen verarbeiten und die Agenten in ihren täglichen Aufgaben effektiv unterstützen.

Eine solche deutlich verbesserte Abfragefähigkeit ermöglicht es den Datenexperten nicht nur, tiefer in das Datenmaterial einzutauchen, sondern erweitert auch die Benutzerbasis von Analyseprodukten. Deshalb werden Unternehmen und Organisationen für die Realisierung ihrer Business Intelligence (BI) deutlich weniger dezidierte Experten mit Erfahrung in Statistik und Mathematik benötigen.

Diese Tatsache versetzt das Unternehmen in die vorzügliche Lage, in Zukunft weniger technisch versierte Leute zu beschäftigen, sondern vielmehr Mitarbeiter, die ihr Geschäft als auch ihre Kunden gut verstehen und auf der Grundlage der gelieferten Daten maßgeschneiderte Empfehlungen aussprechen. Damit werden plötzlich aus Analysefunktionen viel mehr als nur hübsche Balken- und Tortendiagramme, sie werden quasi zu einem wechselseitigen Gespräch, bei dem der Nutzer gezielte Fragen stellen und beratungsrelevante Antworten erhalten kann.

Erfahrungswissen smart anzapfen

Demografien weisen eindeutig darauf hin, dass in den nächsten fünf bis zehn Jahren der erfahrene ältere Anteil der Belegschaft in den Unternehmen in den Ruhestand gehen wird. Daher suchen schon jetzt viele Firmen nach innovativen Lösungen, um das sogenannte vitale Stammeswissen und ihre Expertisen bewahren zu können. Aus diesem Grunde nutzen manche Organisationen beispielsweise die NLP-Fähigkeit einer von IBM-Watson unterstützten Funktion namens Equipment Maintenance Assistant.

Sie verarbeitet unstrukturierte und strukturierte Daten wie zum Beispiel Handbücher, Standards, Sicherheitsverfahren, Berichte und historische Arbeitsprotokolle. Basierend auf diesen erfassten Daten kann die Assistentenplattform dann Fragen von Wartungs- und Betriebstechnikern beantworten. So ließ ein australisches Öl- und Gasunternehmen mittels dieser erweiterten Analysefunktion über 30 Jahre Ingenieurs- und Bohrwissen aufnehmen, um in der Folge Technikern zu helfen, faktenbasierte Entscheidungen über komplexe Projekte zu treffen.

Techniker bzw. Anwender sollen dann in der Lage sein, den Zeitaufwand für das Auffinden von Daten um rund 75 Prozent reduzieren, was zu einer Einsparung von zehn Millionen US-Dollar bei den Mitarbeiterkosten aufgrund des schnelleren Zugriffs auf Informationen und einer intuitiveren Analyse der technischen Aufzeichnungen führt.

Neue Muster erkennen

Eine Augmented-Analytics-Lösung, die maschinelle Lernalgorithmen verwendet, wäre beispielsweise befähigt, alles zu lesen, was in der letzten Stunde zu einem bestimmten Thema online veröffentlicht wurde. Des Weiteren könnte Augmented Analytics die wichtigsten Informationen zusammenfassen und präsentieren, auf deren Grundlage ein Mensch eine Entscheidung trifft. Diese Algorithmen können natürlich auch verwendet werden, um Muster zu erkennen, die in der Vergangenheit übersehen wurden.

Dazu ein Beispiel: Häufig richteten sich Finanzdienstleister für Services der Vermögensverwaltung an potenzielle ältere Anleger, in der Annahme, dass diese Altersgruppe am meisten interessiert wäre. Mithilfe von Augmented Analytics fanden nun Finanzdienstleister heraus, dass sich entgegen der herrschenden Meinung insbesondere jüngere Kunden im Alter von 20 bis 35 Jahren tendenziell stärker für Produkte der Vermögensverwaltung interessieren.

Fazit

Augmented Analytics ist längst keine Zukunftsmusik oder ferne Perspektive mehr. KI-gestützte Datenanalyse-Tools und -Services sind nicht nur bereits verfügbar, sie werden zudem sehr positiv angenommen. Dennoch sind diese smarten Technologien keine Allheilmittel. Gegenwärtig und auf absehbare Zeit sind jedoch viele KI-gestützte Lösungen am nützlichsten und wertvollsten, wenn sie mit menschlichem Fachwissen und Gespür kombiniert werden, sodass eine tatsächliche „erweiterte Intelligenz“ entstehen kann.

(ID:47538983)

Über den Autor