Kommentar von Ralph-Peter Rembor, Aparavi Self-Service Analytics – schneller Zugriff auf Daten für agiles Arbeiten

Anbieter zum Thema

APARAVI Software Europe GmbH

Board Deutschland GmbH

INFOMOTION GmbH

QUNIS GmbH

Eine intuitiv bedienbare Lösung, mit der Mitarbeiter unternehmensweit und umfassend auf Daten zugreifen können – das Konzept eines Data Self-Service scheitert in der Praxis oft an Analytics-Lösungen, die Nutzer überfordern oder unstrukturierte Daten nicht abbilden können. Mit den richtigen Lösungen können Verantwortliche die Transformation zur datengetriebenen Organisation beschleunigen.

Je mehr Daten in Unternehmen zirkulieren, umso schwieriger wird es für die Mitarbeiterinnen und Mitarbeiter, einfach und intuitiv auf Informationen und Dateien zugreifen zu können. Komplexe Suchfunktionen oder eine Vielzahl an Search-Tools erfordern oft ein Eingreifen der IT und verzögern damit den Arbeitsprozess. Zudem widerspricht diese Praxis der Idee eines demokratischen Datenmanagements, die in der offenen Unternehmenskultur jedem einzelnen eine hohe Eigenverantwortung und Handlungsfreiheit zugesteht.

Die intuitive Bedienbarkeit spielt daher eine entscheidende Rolle bei Self-Service Analytics. Mit nur minimaler IT-Unterstützung können alle Mitarbeiter Abfragen durchführen bis hin zu Berichten erstellen. Klassische Tools für die Datensuche und Analytics-Lösungen sind für diese Anforderung nicht optimal geeignet. Sie bieten zwar ein starkes Frontend, aber keinen intuitiven Zugang zu allen Daten. Letzteres trifft auch auf Enterprise Software zu, die sich zumeist nicht ohne längere Einarbeitungszeit bedienen lässt.

Eine weitere Herausforderung liegt in der unternehmensweiten Verknüpfung von Datenspeichern mit unterschiedlichen Datenstrukturen, seien es Cloud-Speicher, SQL-Kundendatenbanken oder auf Endgeräten gespeicherte persönliche Dokumente.

Intuitive Analytics-Abfragen

Large Language Models (LLMs) präsentieren sich als zweifacher Gamechanger, wenn es darum geht, Self-Service Analytics im Unternehmen zu realisieren. Zum einen, da sie die technologische Basis für den Aufbau von Data-Mesh-Strukturen sind, die aus strukturierten und unstrukturierten Daten bestehen. Zum anderen für die Interaktion mit den Nutzern, bei der LLMs die Bedienbarkeit von Self-Service Analytics so weit vereinfachen, dass sie über kein tiefer reichendes IT-Know-how verfügen müssen, als etwa für eine Standard-Suchmaschinen-Bedienung notwendig ist.

LLMs verstehen natürlichsprachliche Fragen und können diese in eine datenbankkonforme Tabellen- oder Datenabfrage umsetzen. Das ist für Nutzer eine erhebliche Vereinfachung, da sie sich nicht in die Logik von komplexen Abfragefunktionen einarbeiten müssen. Auf die synthetische Abfrage des LLMs können die passenden Daten und Zahlen extrahiert und den Nutzern zurückgespielt werden.

Training der LLM-Modelle für effektives NLP

Um eine möglichst effektive Kommunikation zwischen Nutzern und LLMs zu erreichen, muss das Modell für die sprachlichen Besonderheiten im Unternehmen trainiert werden. Die Erarbeitung von internen Sprachdomänen im Unternehmen, in Abteilungen oder gar Teams, die ihre spezifische Alltagssprache und Begrifflichkeiten entwickelt haben, ist deshalb ein wichtiger Schritt bei der Modell-Implementation. Ohne dieses Training würde das Natural Language Processing (NLP) des LLM fehlerhafte Zusammenhänge konstruieren und die falschen Ergebnisse liefern.

Für das Training der LLMs sind die unternehmensinternen Daten die passende Grundlage. Dazu zählen zum einen schriftliche Dokumente wie E-Mails, Präsentationen, PDFs, Dokumente und Textdateien, zum anderen aber auch Transkripte von Meetings, die per Speech-to-Text nutzbar gemacht werden können. So lassen sich auch unstrukturierte Daten Gewinn bringend für das Sprachtraining nutzen, um das LLM an die unternehmensinterne Kommunikation anzupassen (Retrieval Augmented Generation).

Data Mesh aus strukturierten und unstrukturierten Daten

Wie bei den Knotenpunkten in einem Netzwerk profitieren Lösungen für Self-Service Analytics davon, Daten nicht wirklich bewegen zu müssen, sondern lediglich ihren Informationsgehalt (inklusive notwendiger Metainformationen wie Zugriffsrechte) in datenbankkonforme Sheets zu transformieren. Das LLM kann für die Beantwortung von Anfragen darauf zugreifen, ohne dass aufwendig neue physische Speicherkapazitäten aufgebaut werden müssen. Dadurch lässt sich ein Data Mesh aus strukturierten und unstrukturierten Daten als Antwortpool aufbauen, der nicht in Form einer eigenständigen Datenbank gespeichert werden muss. Der Vorteil: die Self-Service-Lösung bleibt leichtgewichtig und flexibel.

Ein weiterer Mehrwert von Self-Service Analytics liegt in der möglichen Nutzung von erweiterten Suchmechanismen. Falls die erstellte Antwort den Nutzer nicht zufriedenstellt, kann er eine semantische Suche beauftragen, mit der sich die Kontextinformationen aus der Frage besser integrieren lassen. Das trägt zu einer noch besseren Nutzbarkeit der Lösung im Arbeitsalltag bei.

(ID:50195196)