X

Neuste Trends, Tipps, Strategien &
Events rund um das Thema Cloud

Genauer, schneller, objektiver: Eine neue Technologie macht Daten noch produktiver

Es gibt keine schneller wachsende Ressource für zukunftsorientierte Unternehmen als Daten. Alles andere scheint knapper zu werden: Fachkräfte, Marktnischen, unternehmerische Freiräume… alles heiß umkämpft. Nur Daten – Big Data im buchstäblichen Sinn – schießen aus allen digitalen Quellen wie Pilze aus dem Boden. Unternehmen, die diese Ressource bereichsübergreifend, clever und entschlossen zu nutzen wissen, erringen Vorteile am Markt; die anderen bleiben zurück. Das zeigen aktuelle Studien.

Auf einen Blick: Genauer, schneller, objektiver: Eine neue Technologie macht Daten noch produktiver

 
Augmented Analytics macht Datenkapital für Unternehmen produktiv: Entscheidungsrelevante Erkenntnisse kommen schneller, zuverlässiger und präziser.

 

Doch wie gelingt es Unternehmen, diesen großen Datenmengen die alles entscheidenden Erkenntnisse abzuringen? Hinter dem noch recht neuen Begriff „Augmented Analytics“ zeichnet sich der Schlüssel dafür ab, bereits vorhandene digitale Technologien genau zu diesem Zweck innovativ zu verknüpfen: Anstatt etwas völlig Neues zu repräsentieren, bezieht sich diese „erweiterte Analytik“ auf das Ineinandergreifen von Business Intelligence und IT-Bereichen wie Künstliche Intelligenz (KI) und Machine Learning (ML). Augmented Analytics mausert sich gerade vom letzten Hype der Branche zu einem Must-Have-Tool. Dieses Tool auf der Basis von BI, Analytik und Big Data kombiniert eine ganze Reihe neuer Technologien zu einer Plattform, die Erkenntnisse mit bisher unerreichter Geschwindigkeit und Präzision liefert.

Business Intelligence, das hieß in den letzten zehn Jahren und bis vor kurzem noch, Daten aus verschiedenen Quellen zu sammeln, zu verarbeiten und damit Dashboards und Visualisierungen zu füttern. Okay, das hat Einblicke in Geschäftsabläufe und datengesteuerte Entscheidungen ermöglicht. Aber es brauchte dazu erhebliche manuelle Vorbereitung durch verschiedene Abteilungen. Mit dem Fortschritt in KI und ML lässt sich vieles davon automatisieren – und das Ergebnis ist der nächste große Sprung in der Business-Technologie.

 

Wie funktioniert Business Intelligence überhaupt?

BI-Systeme kamen in den 2000er Jahren auf, angefangen mit unverbundenen Datenbankwerkzeugen, die ausschließlich auf einzelnen Desktops existierten, bis hin zu modernen Systemen, die mit unterschiedlichen Datenquellen verbunden sind und sich auf die Datenmanipulation konzentrieren. Der springende Punkt dabei ist natürlich, erst einmal genug Daten zu sammeln; sonst hebt das gesamte Konzept der Business Intelligence gar nicht erst ab. BI-Systeme entwickelten in der Folge dann zunehmend Rechenleistung und Netzwerkkonnektivität und legten an Leistungsumfang zu, um sich von der lokalen Desktop-Maschine eines Analysten zu einer größeren, stärker vernetzten Plattform zu entwickeln.

Heute können Business-Intelligence-Systeme große Datenmengen aus verschiedenen Quellen aufnehmen, so dass Analysten sich quasi mit der Lupe durch Aktivitäten in der Vergangenheit arbeiten können. Das Ergebnis sind haufenweise nützliche Business Insights: Sie machen klar, wie und warum Dinge geschehen sind, und dann stellen sie noch Werkzeuge für Visualisierungen und Diagramme zur Verfügung, um die Geschichte rund um diese Daten zu erzählen – in Summe eine solide Basis für datengesteuerte Entscheidungsfindung.

 

Wie künstliche Intelligenz und Machine Learning arbeiten

KI und ML sind mitnichten dasselbe, auch wenn darüber mitunter so gesprochen wird. Denn mit KI ist der größere Teil jener Systeme gemeint, die Entscheidungen ähnlich wie bei Menschen ermöglichen – d. h., intelligente Entscheidungen auf der Grundlage von Zusammenhängen und verfügbaren Informationen zu treffen und nicht bloß durch einfache Wenn/dann-Programmierungen.

Machine Learning hingegen ist dabei eine der Schlüsselkomponenten; ML untersucht Daten und fahndet nach Mustern, die dann den Kontext für KI-basierte Entscheidungen liefern können. ML könnte z. B. für ein Kreditkartenunternehmen die Verarbeitung von Datentransaktionen überprüfen und schnell auffällige bzw. verdächtige Muster in Benutzerdaten suchen. Die KI markiert dies dann und stellt fest, ob es sich um eine potenziell betrügerische Transaktion handelt, die sich vielleicht doch besser der Kundenservice einmal anschauen sollte.

 

So bringt Augmented Analytics Business Intelligence, KI und ML zusammen

Business Intelligence soll in erster Linie Data Insights liefern. Bei KI und ML geht es darum, aus sehr großen Datensätzen Lernerfahrungen für maschinengetriebene Entscheidungen zu erzeugen. Augmented Analytics schließlich fügt auf Grundlage von Business Intelligence ML und KI hinzu. Eine gute Möglichkeit, sich das im Zusammenhang vorzustellen, ist der Prozess beim Einsatz von Business Intelligence, wie er derzeit aussieht. Dabei nimmt eine BI-Plattform Daten aus mehreren Quellen auf, bevor die IT-Abteilungen die Daten vorbereiten und die Datenwissenschaftler sie zur Analyse aufbereiten.

Ein Augmented Analytics-System dagegen übernimmt diese letzten Schritte (Datenaufbereitung und Erstanalyse) selbst und automatisiert sie mit ML und KI. Stark vereinfacht erklärt, erledigt das maschinelle Lernen die Datenaufbereitung (Verarbeitung der aufgenommenen Daten, Aufbereitung der relevanten Daten, Suche nach Mustern) und die KI die erste Analyse, und zwar unter Verwendung von Modellen und Algorithmen, die von Datenwissenschaftlern entwickelt wurden.

Zum Kontrast hier noch einmal die manuelle Arbeit in herkömmlichen Systemen:
•    Die Datenaufbereitung durch IT-Mitarbeiter umfasst den Export von Datensätzen, deren Kombination, Strukturierung und Organisation zur weiteren Analyse. Wenn es sich um Tausende oder Millionen von Datensätzen handelt, können viele Stunden an Vorbereitungsaufwand pro Anfrage anfallen.
•    Die erste Analyse durch Datenwissenschaftler kann ebenfalls ein intensiver manueller Prozess sein, bei dem unzählige Datensätze untersucht werden, um Muster zu entdecken und Erkenntnisse herauszuschälen. Viele Datensätze erfordern eine erste Analyse-Ebene, die Schlussfolgerungen aus der Grobsichtung zieht, noch bevor man ins Detail geht.

Der zweite Schritt kann automatisch mit ML und AI erfolgen, was den Datenwissenschaftlern für tiefergehende Arbeiten Ressourcen freischaufelt.
ML und KI arbeiten im Hintergrund kontinuierlich, rund um die Uhr. Das bedeutet, dass der ML-Algorithmus die Muster ständig verfeinert, während er nach neuen sucht. Gleichzeitig verbessert sich das gesamte KI-Modell durch die schiere Datenmenge: Je mehr Daten durch das System laufen, desto genauer wird das Modell. Diese Automatisierung rationalisiert die Prozesse und erspart manuelle Schritte mit dem Effekt, schneller auf relevante Daten zugreifen zu können. Darüber hinaus kommt hier Natural Language Processing (NLP) ins Spiel – die gleiche Technologie, die auch virtuelle KI-Assistenten wie Siri und Alexa unterstützt. Damit verschieben sich die Aufgaben von der Datenaufbereitung hin zu echten Befunden.

 

Vorteile von Augmented Analytics

Augmented Analytics bietet über die Vorteile von Business Intelligence hinaus ein Maß an Effizienz und Genauigkeit, das nur rechnergestützt zu haben ist. Im Einzelnen bedeutet das:

Erhöhte Genauigkeit: Wenn Datenwissenschaftler eine Reihe von Datensätzen bearbeiten, um sich auf die Analyse vorzubereiten, ist es schlicht und einfach statistisch wahrscheinlich, dass dabei ein Fehler auftritt. Je größer das Datenvolumen, desto größer die Wahrscheinlichkeit eines solchen Fehlers und desto langwieriger die Überprüfung auf Fehler. Maschinelles Lernen bei dieser Art von Prozessen eliminiert solche Fehler nun.

Erhöhte Geschwindigkeit: Bei herkömmlichen Business-Intelligence-Plattformen können zwei ärgerliche Lücken im Prozess auftreten, nämlich während der Zeit für die manuelle Datenaufbereitung sowie in der Phase, bis die Beantwortung von Anfragen durch andere Beteiligte vorliegt. Bei Augmented Analytics dagegen beginnt die Bearbeitung sofort nach Absenden der Anfrage; die interne KI startet, um die entsprechenden Daten zu sammeln und beginnt, sich bis zur spezifischen Ausgabe für das Projekt durchzuarbeiten – und das alles eben mit der Geschwindigkeit einer Maschine und nicht eines Menschen.

Reduzierter Bias: Der Begriff "Bias" klingt oft negativ, aber das muss nichts mit menschlichem Versagen zu tun haben. Oft entstehen solche Verzerrungen einfach durch Gewohnheiten und Routinen: Als Menschen greifen wir auf bekannte Muster in Prozessen zurück. So kann ein Datenwissenschaftler aus persönlichen Gründen unabsichtlich einen möglichen Aspekt übersehen, der für ihn quasi im toten Winkel liegt. Diese Art von Bias – auch in bester Absicht – kann Erkenntnisse ausblenden. Hier arbeiten Maschinen gründlicher und effizienter; sie haben keine „Neigungen“.

Mehr Ressourcen: Einem ebenso verbreiteten wie unbegründeten Vorurteil zufolge entzieht alles, was in Richtung Automatisierung und KI geht, den IT-Mitarbeitern oder Datenwissenschaftlern ihre Verantwortung. Genau das Gegenteil ist richtig: Augmented Analytics kann den Wert ihrer Arbeit tatsächlich erhöhen, weil sie von manueller Arbeit befreit werden, so dass sie sich auf wichtigere Aufgaben konzentrieren können. Für IT-Mitarbeiter bedeutet das, dass sie auf die ständig wachsenden Anforderungen an Hardware und Konnektivität fokussieren können; und Datenwissenschaftler gewinnen viel mehr Zeit, um tiefere Einblicke zutage zu fördern – eine Win-win-Situation.

 

Erfahren Sie mehr über Augmented Analytics

Wir stehen derzeit an der Schwelle zu einer Revolution der Augmented Analytics für die  Business Intelligence. Um hier ganz vorne mit dabei zu sein, laden Sie das neue eBook What Is Augmented Analytics? herunter. Und für weitere Informationen über Ihre Vorteile durch die Nutzung von Oracle Big Data besuchen Sie unsere Big Data-Seite. Versäumen Sie auch nicht, sich für den Oracle Big Data-Blog anzumelden, um als Erster die neuesten Beiträge in die Hand zu bekommen. 

 

Kontakt:

Ein spannendes Thema, über das ich gerne mit Ihnen spreche, per E-MailLinkedInXing oder Twitter. Cesar Ortiz, Principal Solution Engineer.

Kommentieren

Kommentare ( 0 )
Please enter your name.Please provide a valid email address.Please enter a comment.CAPTCHA challenge response provided was incorrect. Please try again.