Das Wort „augmentieren“ bedeutet: etwas durch Hinzufügen vergrößern; steigern. Ähnlich verhält es sich mit Augmented Analytics: Hierbei wird Technologie (vorwiegend Künstliche Intelligenz (KI) und Maschinelles Lernen (ML)) eingesetzt, um Nutzern zu helfen, besser zu verstehen, wie Daten aufbereitet, analysiert und mit anderen Nutzern geteilt werden.
Grob gesagt besteht es aus drei Komponenten: Erweiterte Datenaufbereitung, Erweiterte Analytik für Analytics & BI und Erweiterte Analytik für Data Science & ML, die wir später genauer betrachten werden.
Gartner definiert Augmented Analytics wie folgt: „Augmented Analytics bezeichnet den Einsatz von Basistechnologien wie maschinellem Lernen und KI, um die Datenaufbereitung, die Generierung von Erkenntnissen und deren Erläuterung zu unterstützen und so die Art und Weise zu verbessern, wie Anwender Daten in Analyse- und BI-Plattformen erkunden und analysieren. Es unterstützt zudem sowohl erfahrene als auch weniger erfahrene Data Scientists, indem es viele Aspekte der Datenwissenschaft, des maschinellen Lernens und der Entwicklung, Verwaltung und Bereitstellung von KI-Modellen automatisiert.“
Gartner schätzt, dass im Durchschnitt nur 35 % der Mitarbeiter in Unternehmen Zugriff auf Analytics- und BI-Tools haben. Um die Nutzung von Analytics zu steigern und Unternehmen dabei zu unterstützen, Daten effektiver zu analysieren, zu verstehen und zu nutzen, wird Augmented Analytics eingesetzt.
Im Lebenszyklus der Datenanalyse wird Augmented Analytics bereits bei der Datenaufbereitung, der Erkenntnisgewinnung und der Interpretation eingesetzt. Die wichtigsten Komponenten dieses Datenprozesses, in denen Augmented Analytics Anwendung findet, sind:
Nehmen wir ein einfaches Beispiel: Durch den Einsatz von KI und ML in der Datenaufbereitung während des ETL-Prozesses (Extraktion, Transformation und Laden) lassen sich Datumsangaben, geografische Daten, personenbezogene Informationen usw. automatisch erkennen. Mit erweiterter Analytik können wir die Datenprofilierung beschleunigen, die Datenqualität verbessern, die Datenkatalogisierung beschleunigen, die Metadatenentwicklung automatisieren und Daten einfach aufbereiten. Solche Systeme sind auch hilfreich, um spezielle Formatierungen in PDFs oder Textdaten zu entfernen und manuelle Eingriffe zu eliminieren.
Nach der Optimierung der Datenaufbereitung können KI- und Machine-Learning-Techniken eingesetzt werden, um kontextbezogene Erkenntnisse zu gewinnen und automatisch relevante statistische Verfahren auszuwählen, die auf die Daten angewendet werden können, wie z. B. Prognosen, Clustering, Mustererkennung usw.
Auch in modernen BI-Plattformen wird Augmented Analytics mithilfe von Techniken wie der Verarbeitung natürlicher Sprache (NLP) und der Generierung natürlicher Sprache (NLG) eingesetzt, um mit minimalen Benutzerangaben aussagekräftige Beschreibungen von Erkenntnissen zu erstellen. Basierend auf den Benutzerfragen lassen sich hochrelevante Erkenntnisse in Form von Diagrammen, Grafiken usw. generieren.
Diese drei Beispiele veranschaulichen nur die Funktionsweise von Augmented Analytics. Darüber hinaus findet es auch Anwendung in Bereichen wie Data Science und Machine Learning, beispielsweise bei Feature Engineering, Modellerklärung und Modellmanagement. Dies ist besonders hilfreich, wenn nicht genügend Fachkräfte oder Ressourcen zur Verfügung stehen, um fortgeschrittene Analysemodelle zu implementieren und zu verwalten, wie es beispielsweise Data Scientists tun.
Im Wesentlichen kann Augmented Analytics effektiv zur Automatisierung von Aufgaben wie Datenaufbereitung, intelligentem Datenmanagement, Codegenerierung, Visualisierung und NLP eingesetzt werden.
Zu den Vorteilen der Nutzung von Augmented Analytics zur Wertsteigerung Ihrer bestehenden Prozesse gehören:
- Schnellere Lieferung von Ergebnissen und Erkenntnissen.
- Verborgene Daten und Muster aufdecken.
- Vertrauenswürdigere Algorithmen und Prozesse.
- Zunehmende Nutzung von Analysetools im Unternehmen.
- Steigerung der Datenkompetenz im gesamten Unternehmen.
- Verbesserte Effizienz bei der Automatisierung von Betriebsabläufen.
WEITERLESEN: Wie das Potenzial erweiterter Analysen die Nutzung von Analysen um 30 Prozent steigern wird