Suchen

Definition Was ist Augmented Analytics?

| Autor / Redakteur: Dipl.-Ing. (FH) Stefan Luber / Nico Litzel

Augmented Analytics erweitert und automatisiert die Analysemöglichkeiten von Business-Intelligence-Lösungen durch die Nutzung von Methoden und Algorithmen der Künstlichen Intelligenz (KI) und des Machine Learnings (ML). Per Natural Language Processing (NLP) ist die Interaktion des Nutzers mit der Analysesoftware in natürlicher Sprache möglich.

(Bild: © aga7ta - stock.adobe.com)

Augmented Analytics beschreibt das Konzept und die dafür notwendigen Technologien, um die Analysemöglichkeiten herkömmlicher Business-Intelligence-Lösungen zu erweitern und zu automatisieren. Es kommen Methoden und Algorithmen der Künstlichen Intelligenz (KI) und des Machine Learnings (ML) zum Einsatz. Alle Bereiche des Gesamtprozesses der Datenanalyse von der Erfassung der Fragestellung über die Datenerhebung und Datenanalyse bis zur Generierung und Präsentation der Ergebnisse und notwendiger Maßnahmen werden von Augmented Analytics unterstützt.

Ebenfalls Bestandteil von Augmented Analytics ist die maschinelle Verarbeitung natürlicher Sprache (Natural Language Processing – NLP). Sie soll die Interaktion mit dem User vereinfachen. Augmented Analytics kann Muster und Probleme erkennen, Trends aufzeigen und vorhersagen sowie die passenden Handlungsempfehlungen ableiten. Ursprünglich hat den Begriff das US-amerikanische Marktforschungsunternehmen Gartner in einer im Jahr 2017 veröffentlichten Studie geprägt. Laut dem Report ist Augmented Analytics ein wichtiger Trend im Bereich Business Intelligence und Data Analytics.

Unternehmen und Anwender bietet Augmented Analytics den Vorteil, dass der Zugang zu fortgeschrittenen Datenanalysen erleichtert wird. Es sind keine Datenwissenschaftler für die Analysen notwendig. Normale Geschäftsanwender können große Datenmengen analysieren und Ergebnisse ableiten.

Bestandteile und Funktionen von Augmented Analytics

Kernbestandteile von Augmented Analytics sind die Künstliche Intelligenz, das Machine Learning und das Natural Language Processing. Diese Verfahren sollen den Anwender bei den Datenanalysen unterstützen und viele Vorgänge automatisieren. Sie unterstützen alle Einzelphasen des klassischen Datenanalyseprozesses wie die Erfassung der Fragestellung, die Erhebung der Daten, die Analyse der Daten und das Ableiten sowie Präsentieren der Ergebnisse und Maßnahmen.

Augmented Analytics automatisiert die Sammlung der Daten aus den verschiedenen Datenquellen. Manuelle Tätigkeiten zur Datenbankabfrage, Datenaggregation, Datenformatierung und Datenablage werden unter Berücksichtigung der Fragestellung der Analyse automatisiert. Die für die folgende Analyse benötigten Daten stehen binnen kurzer Zeit zur Verfügung, ohne dass spezifische Datenbankkenntnisse notwendig sind.

Nach der Datenerhebung erfolgt die Datenanalyse. Augmented Analytics durchsucht die bereitgestellten Daten, findet Muster oder Abhängigkeiten und kann auf Basis der Daten Trends ableiten oder Vorhersagen erstellen. Durch die Nutzung der Methoden Künstlicher Intelligenz und des Maschinellen Lernens werden die Datenanalysen und die generierten Ergebnisse kontinuierlich optimiert. Abhängig von den Fragestellungen verwendet Augmented Analytics die passenden statistischen Methoden und Vorhersagemodelle. Die Ergebnisse und Handlungsempfehlungen bereitet Augmented Analytics mithilfe verschiedener Visualisierungsmethoden verständlich auf.

Ein wichtiger Bestandteil von Augmented Analytics ist die NLP-Sprachschnittstelle. Sie kommt sowohl bei der Erfassung der Fragestellung als auch bei der Präsentation der Ergebnisse zum Einsatz. Ziel dieser natürlichen Sprachschnittstelle ist es, die Interaktion mit dem Anwender soweit wie möglich zu vereinfachen. Im Optimalfall formuliert der Anwender seine Analyseaufgabe. Das System kommuniziert mit dem Anwender und stellt die notwendigen Fragen, bis alle Details zur Erfassung der Aufgabenstellung geklärt sind. Nach der erfolgten Analyse präsentiert Augmented Analytics die Ergebnisse neben der Visualisierung bei Bedarf auch über die Sprachschnittstelle. Gleichzeitig liefert die Künstliche Intelligenz die notwendigen Erklärungen im jeweils passenden Kontext. Die NLP-Schnittstelle kann als Erweiterung der Self-Service-Benutzeroberfläche moderner Business-Intelligence-Tools betrachtet werden.

Vorteile von Augmented Analytics

Für die Datenanalyse und Business Intelligence in Unternehmen und Organisationen bietet Augmented Analytics zahlreiche Vorteile. Zu diesen Vorteilen zählen:

  • der zeitliche und personelle Aufwand zur Analyse großer Datenmengen wird reduziert
  • es ist kein spezielles Datenbank- oder Programmier-Know-how zur Durchführung von Datenanalysen notwendig – Analysefunktionen stehen auch normalen Business-Anwendern zur Verfügung
  • IT-Fachkräfte und Datenwissenschaftler werden entlastet und können sich um andere Projekten oder Themen wie die Weiterentwicklung der Tools kümmern
  • Künstliche Intelligenz und Maschinelles Lernen finden binnen kurzer Zeit zuverlässig Trends, Muster und Abhängigkeiten selbst in großen Datenmengen
  • intelligente Algorithmen sind in der Lage, verlässliche Vorhersagen auf Basis der Daten zu generieren
  • die Algorithmen optimieren sich selbständig und generieren immer bessere Ergebnisse - auch komplexe Fragestellungen lassen sich beantworten
  • tiefe Einsichten in das vorhandene Datenmaterial werden möglich und Ergebnisse verständlich präsentiert
  • Analysen lassen sich zu jeder Zeit von beliebigen Geräten aus durchführen
  • NLP-Schnittstellen ermöglichen die Interaktion des Anwenders mit dem Analysesystem per natürlicher Sprache - Datenanalyseaufgaben werden im Optimalfall im Dialog mit den Systemen gestellt und die Ergebnisse ebenfalls per Sprache kommuniziert

(ID:46666501)

Über den Autor