Het woord 'augment' betekent: iets vergroten door er iets aan toe te voegen; vergroten. In dezelfde trant is 'augmented analytics' het gebruik van technologie (voornamelijk kunstmatige intelligentie (AI) en machine learning (ML)) om gebruikers meer inzicht te geven in hoe data wordt voorbereid, geanalyseerd en gedeeld met andere gebruikers.
Grofweg bestaat het uit drie onderdelen: Augmented Data Preparation, Augmented Analytics for Analytics & BI en Augmented Analytics for Data Science & ML, die we later verder zullen bespreken.
Gartner definieert Augmented Analytics als volgt: "Augmented analytics is het gebruik van ondersteunende technologieën zoals machine learning en AI om te helpen bij de voorbereiding van data, het genereren van inzichten en het uitleggen van inzichten. Dit verbetert de manier waarop mensen data verkennen en analyseren in analyse- en BI-platformen . Het ondersteunt ook de expertise van datawetenschappers en burgerwetenschappers door veel aspecten van datawetenschap, machine learning en de ontwikkeling, het beheer en de implementatie van AI-modellen te automatiseren."
Gartner schat dat gemiddeld slechts 35% van de mensen in organisaties toegang heeft tot analyse- en BI-tools. Om de acceptatie van analyses te verhogen en organisaties te helpen meer data effectiever te verkennen, analyseren, begrijpen en gebruiken, wordt Augmented Analytics ingezet.
In de levenscyclus van data-analyse wordt augmented analytics gebruikt vanaf de voorbereiding van de data, het genereren van inzichten en de interpretatie ervan. De belangrijkste onderdelen waarin augmented analytics wordt toegepast in dit datatraject zijn:
Laten we een eenvoudig voorbeeld nemen: met AI en machine learning in de datavoorbereiding tijdens de ETL-fase (Extract, Transform, and Load) kunnen datums, geografische locaties, persoonsgegevens, enzovoort automatisch worden gedetecteerd. Met augmented analytics kunnen we dataprofielering versnellen, de datakwaliteit verbeteren, datacatalogisering versnellen, de ontwikkeling van metadata automatiseren en data eenvoudig voorbereiden. Dergelijke systemen zijn ook nuttig voor het verwijderen van speciale opmaak in pdf's of tekstdata en het elimineren van handmatige tussenkomst.
Na het verbeteren van de datavoorbereiding kunnen AI- en machine learning-technieken worden toegepast om contextbewuste inzichten te verkrijgen en automatisch relevante statistische technieken te selecteren die op de data kunnen worden toegepast, zoals voorspellingen, clustering, patroonherkenning, enzovoort.
Ook in moderne BI-platformen wordt augmented analytics gebruikt met technieken zoals Natural Language Processing en Natural Language Generation om rijke beschrijvingen van inzichten te creëren met minimale informatie van de gebruiker. Op basis van de vragen van de gebruiker kunnen zeer relevante inzichten worden gegenereerd in de vorm van grafieken, diagrammen, enzovoort.
Deze drie voorbeelden illustreren slechts hoe Augmented Analytics werkt. Het kan ook worden ingezet in data science en machine learning, bijvoorbeeld voor feature engineering, modeluitleg en modelbeheer. Dit is met name nuttig wanneer er onvoldoende expertise of middelen beschikbaar zijn voor data scientists om geavanceerde analysemodellen te implementeren en te beheren.
In essentie kan Augmented Analytics effectief worden gebruikt om taken te automatiseren zoals gegevensvoorbereiding, slim gegevensbeheer, codegeneratie, het maken van visualisaties en NLP.
Enkele voordelen van het gebruik van Augmented Analytics om de waarde van uw bestaande processen te verhogen zijn:
- Snellere levering van resultaten en inzichten.
- Ontdek verborgen gegevens en patronen.
- Betrouwbaardere algoritmen en processen.
- Toename in het gebruik van data-analyse binnen het bedrijf.
- Toename van de data-geletterdheid binnen de hele organisatie.
- Verbeterde efficiëntie bij het automatiseren van operationele taken.
LEES MEER: Hoe het potentieel van augmented analytics de acceptatie van analytics met 30 procent zal verhogen