Was ist Augmented Analytics – Chancen für Unternehmen

Lesezeit: ca. 5 min

„Nichts ist so beständig wie der Wandel“ soll der griechische Philosoph Heraklit bereits vor über 2.500 Jahren gesagt haben. Auch wenn man bezweifeln kann, dass sich Heraklit mit der Digitalisierung beschäftigte, passt sein Zitat heute ebenso in ein datengetriebenes Umfeld, wie kein zweites. Schließlich leben wir in datengetriebenen Zeiten, in denen Informationen bzw. Datenmengen immer umfangreicher werden und ihr Potenzial damit immer größer. Einen Ansatz, wie sich Unternehmen dieses Potenzial zu Nutzen machen können, lautet Augmented Analytics.

Augmented Analytics – kurz erklärt

Der Weg zu optimierten Prozessen, einem besseren Überblick über das große Ganze und zu neuen Ideen liegt oft in vorliegenden Informationen. Informationen und Daten wiederum, sind so eng miteinander verwoben, dass sie oft als Synonyme verwendet werden. Kaum jemand wird hier widersprechen, schließlich liegen in den Daten Unmengen von Informationen, die oft nur schwer gänzlich zu erfassen sind. Diese Informationen können weitreichend sein, wie makroökonomische und gesellschaftliche Informationen oder kleinteilig, wie etwa die Materialeigenschaften einer einzelnen Schraube einer Stanzmaschine. Sie können dabei in unterschiedlichen Quellen vorliegen, z.B. in Business-Intelligence-Lösungen, digitalen Zwillingen und Produktinformationssystemen. Diese Informationen zusammenzutragen und sinnvoll miteinander zu verbinden ist oft aufwändig. Ebenso aufwändig ist es, darauf aufbauend Analysen zu entwickeln, die in neuen Datenprodukten oder automatisierten Geschäftsprozessen resultieren. Genau hier können Augmented-Analytics-Systeme helfen.

Ziel von solchen Systemen ist es, Business-Anwender ein Tool an die Hand zu geben, mit denen sie selbst Analysen anstoßen und sogar selbst entwickeln können, um neue Erkenntnisse zu gewinnen – ohne jedes Mal auf ein Team von Data Scientists und Data Engineers zurückgreifen zu müssen. Diese Erkenntnisse können dann genutzt werden, um bisherige Prozesse zu optimieren, das Kerngeschäft zu erweitern und/oder den Informationsstand unternehmensweit zu erhöhen.

An diesem Punkt bedingt es auch mindestens zwei unterschiedliche Gruppen: Den Business-Anwender auf der einen Seite, Data Scientists (und im weiteren Sinne Data Engineers) auf der anderen. Erstere besitzen die Expertise, welche Informationen im Business-Kontext relevant sind, letztere die fachliche Kompetenz die Daten und Datenquellen überhaupt erst zu sichten, zu verbinden und zu analysieren.
Dabei werden die Anwender bei der Identifikation sowie dem Zusammenführen relevanter Datenquellen von Augmented-Analytics-Systemen unterstützt, um Modelle zu entwickeln – ohne dabei selbst Methodenkenntnisse aus dem Data-Science-Bereich zu besitzen. Dies umfasst jedoch viele Schritte des Data Lifecycles, wie Datensammlung und -aufbereitung, anschließende Sicherung der Datenqualität, Entwicklung und Berechnung von Analysen mithilfe von Machine-Learning-Modellen, Künstlicher Intelligenz und Visualisierung.

Das Prinzip Augmented Analytics verspricht daher leistungsstarke Datenanalyse-Tools für eine Vielzahl von Nutzergruppen und Unternehmenstypen. Inwiefern sich ein Augmented-Analytics-System von einer Business-Intelligence-Lösung unterscheidet und wieso ein solches System nicht ohne die Zunft der Data Scientists entstehen kann, ist Thema dieses Beitrags.

Business Intelligence vs. Augmented Analytics

Die Anwendungsszenarien von Data Analytics im Business-Kontext sind vielseitig und werden heutzutage nicht vollumfänglich von vorhandenen Business-Intelligence-Lösungen abgedeckt. Bei klassischen BI-Tools werden Daten oft visuell aufbereitet – ohne vorherige Analyse, bezogen auf die möglichen Zusammenhänge untereinander. Sie dienen daher meist als (interaktive) Darstellungsoberfläche von Daten oder Analyseergebnissen und bilden Daten oft nur in tabellarischer Form oder in Zeitreihen ab. Ergänzt werden diese Darstellungen dann durch einfache Analysen. Sofern vorhanden, bieten Business-Intelligence-Lösungen im Analytics-Bereich nur wenige Basisanalysen. Sie beschränken sich weitgehendst auf die explorative Analyse dieser Ergebnisse bzw. der zugrundeliegenden Daten. Die mitgelieferten Analysen sind hier oft vorkonfigurierte Analyse-Skripte, die einen bestimmten Use Case abbilden. Der Erkenntnisgewinn für die Anwender erfolgt bei BI-Tools daher meist explorativ. Zwar können sich daraus dann Ideen für weitere Use Cases ergeben, aber grundlegend ist hier der menschliche Faktor: Oft wird nur das gefunden, wonach explizit gesucht wird. Man kann hier von einem „explorativen Bias“ sprechen. Das Ableiten neuer Prozesse obliegt hier völlig der kognitiven Anstrengung der Business-Anwender. Hier zeigt sich wieder der Unterschied zwischen klassischen BI-Tools und Individuallösungen gegenüber Augmented-Analytics-Systemen: Sie bieten oft eine vorgefertigte Ansicht, eventuell mit verschiedenen Dashboards. Auch sind individuelle Analysen nicht möglich.

Augmented-Analytics-Systeme haben einen anderen Ansatz: Algorithmen können bisher unbekannte Zusammenhänge identifizieren. Aus der eingangs angesprochenen KI-gestützten Auswahl von Datenquellen können dann spezifische Parameter angegeben werden und anhand derer die Daten analysiert oder nach Verbindungen untersucht wird. Business-Anwender könnten mit Augmented-Analytics-Systemen nicht nur neue Analysen selbst entwickeln, sie könnten die entsprechenden Algorithmen sogar selbst konfigurieren, trainieren und sowohl im Team als auch unternehmensweit umsetzen.

Was es also braucht, ist eine Anwendung, die Dashboards freigestalten lässt, um bspw. bestehende Dashboards mit neuen Informationen zu bestücken, und die Möglichkeit Parameter zu bestimmen, die in eine Analyse münden. Teilweise gibt es bereits Anwendungen, die Funktionen bieten, um Teilaspekte dieses Prozesses zu ermöglichen. Lösungen, wie unsere Analytikplattform YUNA, verfolgen genau diesen Ansatz.
Bei der bereits angesprochenen Analyse rein tabellarischer Daten reicht es häufig aus, eine Zielvariable und abhängige Variablen anzugeben, die von einem Machine-Learning-Modell berücksichtigt werden soll. Zu diesem Zweck könnten Anwender ihre vorhandenen Business-Intelligence-Lösungen verwenden, um den Zugriff auf Daten zu erleichtern, da diese z.B. bereits per eigener API oder anderer Wege Zugriff auf verschiedene Informationen / Daten besitzen. Angebunden an ein Augmented-Analytics-System ließen sich dann weitere Datenquellen verknüpfen und verschiedene Parameter oder Filter anwenden, mit denen dann ein Algorithmus automatisch ein ML-Modell berechnet. Mit einer entsprechenden Feature-Basis, die beispielsweise Funktionen für automatisiertes Machine-Learning (autoML) bereithält oder die Erstellung der Datengrundlage durch die Verarbeitung natürlicher Sprache (Natural Language Processing, kurz NLP) ermöglicht,  wären Anwender in der Lage, individuelle Fragestellungen zu definieren und davon ausgehend eigene ML-Modelle zu entwickeln. Mittels Dashboards können dann entsprechende Konfigurationen in einen Algorithmus einfließen. Dieser analysiert dann die ausgewählte Datenbasis.

Natürlich kann ein solches System nicht gänzlich ohne Data Scientists entstehen. Data Scientists entwickeln die Modelle und Automatismen, die Business-Anwendern eben jene Funktionen ermöglichen. Darauf aufbauend ist es Business-Anwendern dann möglich den kompletten Analyseprozess ohne Mitarbeit von Data Scientists selbst zu durchlaufen, da bestimmte Teilschritte vom System automatisiert wurden. Anwender müssten also nicht mehr selbst Daten bereinigen oder aus verschiedenen Quellen zusammenführen (was die Fehlerquote durch Übertragungsfehler erhöhen kann) und identifizieren, welche Daten für ihre Fragestellung relevant sind. Stattdessen können Algorithmen und Künstliche Intelligenz weite Teile davon übernehmen. Im nächsten Schritt können mit geeigneten (teils automatisierten) ML-Modellen diese Informationen genutzt werden und anhand bestimmter Parameter analysiert und/oder kombiniert sowie die Ergebnisse dargestellt werden. Schlussendlich ließen sich so auch automatisierte Geschäftsprozesse entwickeln, die das Kerngeschäft optimieren oder sogar erweitern.

Fazit

Das ist die elementare Grundlage für den produktiven Einsatz von Augmented Analytics: Die betriebswirtschaftliche Expertise der User auf der einen Seite und das Verständnis von Datenstrukturen und -transformation der Data Scientists auf der anderen. Es gilt also: Für den gewünschten Anwendungsfall bedingt es im ersten Schritt die entsprechende Datengrundlage zu identifizieren. Anschließend müssen diese Informationen analysiert und im weiteren Verlauf wieder in den betriebswirtschaftlichen Kontext überführt werden.

Sie möchten mehr über die Einsatzmöglichkeiten von Augmented Analytics in Ihrem Unternehmen erfahren? Sprechen Sie uns an!

Weiterführende und interessante Beiträge zum Thema:

• Was ist AutoML? Hintergründe, Vorteile und Tools
• Was ist Federated Learning? Hintergründe und Anwendungsbeispiele
• Whitepaper: Von der Idee bis zur Realisierung: Wie verläuft ein Data-Science-Projekt?