Augmented Analytics wird oft als die „Zukunft der Datenanalyse“ bezeichnet. Einerseits, weil ein Teil des Analyseprozesses automatisiert wird, andererseits, weil aussagekräftige Daten ohne große Zugangsbarrieren zur Verfügung gestellt werden. Letzteres wird durch die Kombination mit Spracherkennung- und steuerung noch verstärkt.

Was ist Augmented Analytics?

Augmented Analytics bedeutet, dass die Datenanalyse mit dem Einsatz von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) unterstützt wird, mit dem Ziel, menschliche Entscheidungsträger bei der Generierung von Erkenntnissen aus Daten zu unterstützen. Es ist eine Weiterentwicklung des klassischen Business Intelligence, in der der Fokus oft darauf lag, Daten in Charts optimal darzustellen. Mit Hilfe von Augmented Analytics werden Daten mit zusätzlichen Informationen angereichert, die geeignet sind, die Ergebnisse zu erklären, zu verdeutlichen oder aussagekräftiger zu machen. Dadurch erhalten Analysten zusätzliche Einblicke und können fundiertere Entscheidungen treffen.

Augmented Analytics ist besonders relevant für Unternehmen, die große Mengen an Daten sammeln und analysieren, da es ihnen hilft, diese Daten effizienter zu nutzen und wertvolle Erkenntnisse schneller zu gewinnen. Es ist ein wichtiger Schritt in Richtung datengetriebener Entscheidungsfindung und kann dazu beitragen, Wettbewerbsvorteile in verschiedenen Branchen zu erzielen. Augmented Analytics dazu beitragen, Datenanalysen breiter und effizienter zugänglich zu machen und die Geschäftsergebnisse in verschiedenen Branchen und Organisationen zu verbessern.

Worin liegen die Vorteile von Augmented Analytics?

  • Fortschrittliche Analysemöglichkeiten: Ein digitaler Sprachassistent kann fortschrittliche Analyseverfahren wie ML (Machine Learning) und Data Science anwenden, um Einblicke in die Geschäftstätigkeit zu gewinnen.
  • Steigerung der Produktivität: Die Automatisierung von Datenanalysen reduziert den manuellen Aufwand erheblich. Mitarbeiter können sich auf strategischere Aufgaben konzentrieren, anstatt Zeit in die Datenaufbereitung zu investieren.
  • Zeit- und Kostenersparnis: Die Automatisierung von Datenanalysen reduziert die Kosten, die mit manuellen Prozessen verbunden sind, und beschleunigt die Entscheidungs-findung. Dies führt zu erheblichen Zeit- und Kosteneinsparungen.
  • Verbesserte Zugänglichkeit und Benutzerfreundlichkeit: Datenanalysen und -berichte können einfach durch gesprochene Anfragen erstellt werden. Dies steigert die Zugänglichkeit und Benutzerfreundlichkeit der Datenanalyse.
  • Reduzierung menschlicher Fehler: Durch die Automatisierung von Datenanalysen werden menschliche Fehler minimiert. Dies führt zu genaueren und konsistenteren Ergebnissen in Berichten und Analysen.
  • Bessere Entscheidungsfindung: Durch die Möglichkeit, Datenanalysen automatisiert durchzuführen, können Unternehmen fundiertere und zeitnahe Entscheidungen treffen, um Wettbewerbsvorteile zu erzielen.

Durch die Integration von Augmented Analytics in den Berichterstellungsprozess können Organisationen sicherstellen, dass ihre Berichte nicht nur datengetrieben sind, sondern für die Benutzer auch aussagekräftig und leicht verständlich sind. Dies trägt dazu bei, bessere Geschäftsentscheidungen zu treffen und die Kommunikation von Erkenntnissen zu verbessern.

Warum funktioniert Augmented Analytics nur in Verbindung mit Sprachsteuerung?

Über die Sprache teilt uns der Anwender seine Intention mit. Er lässt durchblicken, worauf er eigentlich hinaus will. Deshalb kann eine Software darauf reagieren und zielgerichtet assistieren, sinnvolle Informationen anreichern und so das Analyseergebnis auf die Wünsche des Anwenders zuschneiden. Augmented Analytics macht das Reporting aussagefähiger. Sprachassistenten wissen über die Absichten der Anwender bescheid, und können Berichte deshalb optimal auf die Fragestellung zuschneiden. Standardberichte in klassischen BI-tools sind durch eine hohe Informationsdichte geprägt, was der Tatsache geschuldet ist, dass Unternehmen möglichst viel Informationen in möglichst wenigen Berichten zusammenfassen wollen. Diese hohe Informationsdichte geht zu Lasten der Qualität, Übersichtlichkeit und Aussagekraft der Daten, weil Andender in den meisten Fällen nach spezifischen Informationen suchen. Ein Sprachassistent generiert eigene Berichte, die ganz individuell auf die Fragestellung eingehen.

Die Problematik mit grafischen Oberflächen

Dass Augmented Analytics mit klassichen BI-tools, die noch auf grafische Oberflächen setzen, nicht funktionieren kann, hat darüber hinaus noch einen anderen, sehr trivialen Grund. Bei der Arbeit auf grafischen Oberflächen kann das System nicht unterscheiden, ob ein Endergebnis vorliegt oder nur ein Zwischenschritt erfolgt ist. Eine grafische Oberfläche kann also nicht entscheiden, wann der richtige Zeitpunkt für die Augmentierung ist. Ein Sprachassistent hingegen kennt nur Ergebnisse. Er reagiert auf die Frage eines Anwenders, in dem er ein Analyseergebnis autogeneriert, das die Frage bestmöglich beantworten soll. Kommt eine weitere Frage, wird ein weiterer Bericht erzeugt. Die Frage nach dem passenden Zeitpunkt für eine Augmentierung des Analyseergebnisses stellt sich daher nicht. Dieser Umstand ist auch die Voraussetzung dafür, dass der Sprachassistent aus den Fragen der Vergangenheit lernen kann. Eine Anleitung des Anwenders nach dem Prinzip ‚Wenn du diese Frage stellst, dann empfehle ich Dir, als nächstes die Folgende Frage‘, ist auf grafischen Oberflächen ebenfalls nicht möglich, weil man die einzelnen Teilschritte beim Erzeugen eines Berichts keinem eindeutigen Ergebnis zuordnen kann. Und somit bleibt im Dunkeln, welche Intention die Anwender bei der Analyse ihrer Daten haben, und welche Schritte nacheinander durchgeführt werden.

Speed Up your Reporting

Zu guter letzt darf man den Geschwindigkeitsvorteil, den ein Anwender durch die AI-basierte Augmentierung von Berichten erhält, nicht außer acht lassen. Augmented Analytics wirkt wie ein Booster für die Datenanalyse. Zu einer Frage werden ganz automatisch sinnvolle Zusatzinformationen autogeneriert, so dass der Anwender am Ende einen fertigen Bericht erhält, der die gestellte Frage aus verschiedenen Perspektiven beleuchtet. Rechnet man allein die Zeit dagegen, welche durch manuelle Selektion der Charts und Daten benötigt wird, so erkennt man schnell den Performanceunterschied. Dabei ist noch nicht berücksichtigt, dass für die Beleuchtung einer Fragestellung aus verschiedenen Perspektiven auch viele konzeptionelle Überlegungen voraussetzt. Um diese Überlegungen in die Tat umzusetzen wird zusätzlich ein hohes fachliches und technisches Wissen benötigt. Ein Sprachassistent entlastet den Anwender um all diese Voraussetzungen und ermöglicht einem viel breiteren Anwenderkreis, aussagefähige Berichte zu erstellen.

Die Augmentierung kann in Einzelfällen so umfangreich und aussagekräftig sein, dass sich die Frage der Existenzberechtigung von statischen Standardberichten stellt. Zwar werden nicht alle Standardberichte von heute auf morgen ersetzt werden können, ihre Anzahl und Relevanz wird nach Einführung eines digitalen Sprachassistenten aber erheblich abnehmen. Denn die Erstellung von statischen Standardberichten kostet viel Geld, während semantic views von einem Sprachassistenten autogeneriert werden und somit kostenlos zur Verfügung stehen. Die Potentiale von Sprachassistenten sind enorm hoch, während sie gleichzeitig einen viel höheren Anwenderkomfort bieten.