Hvad er udvidet analyse?
Augmented analytics er analyser, der er blevet "udvidet" med kunstige intelligensteknologier.
Oversigt over udvidede analyser
Den enkleste udvidede analysedefinition? Udvidede analyser er analyser, der er "udvidet" med kunstig intelligens (AI)-teknologier, herunder maskinindlæring og behandling af naturligt sprog (NLP). Maskinindlæring automatiserer komplekse analyseprocesser – f.eks. dataforberedelse og generering af indsigt. Og NLP lader enhver bruger, selv uøvede erhvervsbrugere, stille spørgsmål om deres data og få svar på en nem, samtalevenlig måde.
Udtrykket "augmented analytics" blev udviklet af Gartner i 2017 og menes nu at være fremtiden for business intelligence (BI) og dataanalyse – herunder prædiktive analyser.
Hvorfor er augmented analytics vigtige?
Minedrift af big data-salgsmuligheden
Data repræsenterer den største mulighed i den moderne økonomi. Med det kan virksomheder vide, hvad de skal producere, hvornår, hvem de skal markedsføre sig til, hvordan de skal udvikle sig, og så meget mere. Men datamængden i dag er for massiv til, at mennesker kan fortolke på egen hånd – eller uden forudindtagethed – og kravet om umiddelbare svar er simpelthen umuligt at opfylde. Aktivering af teknologier som AI og maskinindlæring er nødvendige for at afdække meningsfuld indsigt i et hav af Big Data. Dette er en af grundene til, at augmented analytics er så vigtigt: De kombinerer datavidenskab og kunstig intelligens for at hjælpe virksomheder med at analysere massive datasæt i realtid.
Reduktion af afhængigheden af dataforskere
Analyseprocessen er en række manuelle, tidskrævende trin, der er så komplicerede, at det normalt kun er dataforskere, der kan udføre dem. Disse professionelle analytikere har brug for at:
- Indsaml data fra flere kilder
- Forbered den til analyse
- Udfør analysen
- Find meningsfuld indsigt
- Visualiser resultater
- Del resultater på en overbevisende måde
- Opret en handlingsplan
Problemet er, at der er stor mangel på dataforskere verden over – og det er dyrt at ansætte dem. Selv om augmented analytics ikke erstatter disse fagfolk, kan de reducere din afhængighed af dem ved at automatisere processer som dataindsamling, forberedelse, rensning og analyse.
Ud over at frigøre datalogernes tid til vigtigere opgaver, som f.eks. fortolkning af resultater, kan augmented analytics øge den værdi, som disse analytikere tilfører din organisation. AI- og maskinindlæringsbaserede analyser hjælper dem med at skabe forbindelser, de ellers kan have savnet – og finde dybere indsigt på kortere tid. Disse teknologier kan også styrke medarbejdere i andre analyseroller – fra forretningsanalytikere til borgerdataforskere – forbedre deres indsigt og hjælpe dem med at udføre det arbejde, der tidligere kun blev udført af eksperter i data.
Demokratisering af analyser for utrænede brugere
En anden grund til, at udvidede analyser er så vigtige, er, at de lader utrænede “information explorers” ind på spillet. Ved at automatisere komplekse analyseprocesser og give brugerne mulighed for at forespørge data ved blot at stille spørgsmål, kan medarbejdere uden data science-færdigheder udnytte avancerede analyser. Maskinindlæring kan guide disse informationsforskere ved at anbefale, hvilke spørgsmål de skal stille næste gang – og foreslå, hvor de skal grave dybere.
Med augmented analytics kommer svar på forespørgsler i form af færdige datavisualiseringer som diagrammer, grafer og kort – så brugerne ikke behøver at oprette dem selv. Disse visualiseringer kan undersøges med enkle kommandoer, samles i datahistorier og nemt deles med andre teams og ledere – ingen ph.d. kræves.
Udviklingen af analyser
Analyser og business intelligence er kommet langt i de senere år – og udvikler sig fra avancerede værktøjer til data- og analyseeksperter til maskinindlæringsanalyser, som alle kan bruge.
Traditionelle analyser
Drevet af IT
Begrænset brugerautonomi
Sofistikerede værktøjer til data- og analyseeksperter
Fokus på rapportering i skala
Selvbetjeningsanalyser
Drevet af virksomheden
Mere brugerautonomi
Brugervenlig grænseflade
Fokus på brugerdrevet indsigt
Udvidede analyser
Drevet af AI og machine learning
Sand brugerautonomi
AI-værktøjer og guidede processer
Fokus på hurtig, dyb, tidligere skjult indsigt
Brug cases til udvidet analyse
Augmented analytics har evnen til at revolutionere forretningsprocesser – men hvordan ser det ud i den virkelige verden? Her er et par eksempler på anvendelseseksempler på udvidede analyser inden for økonomi, salg og marketing, logistik, HR og debitorer.
Udvidede analyser i finansverdenen En forretningsanalytiker kan bruge udvidede analyser til nemt at forudsige og styre rejse- og underholdningsudgifter på tværs af forskellige brancher.
Udvidede analyser i debitorregnskab Opkrævningsansvarlige kan bruge maskinindlæring i udvidede analyser til at forudsige forsinkede betalinger, bestemme den rigtige opkrævningsstrategi og holde styr på pengestrømmen.
Udvidet analyse inden for salg og marketing Salgs- og marketingteams får bedre kundeprofiler – og hurtig identifikation af kryds- og opsalgsmuligheder – ved hjælp af augmented analytics.
Udvidede analyser i produktion En analytiker for en stålproducent kan bruge augmented analytics til at forudsige, overvåge og kontrollere udgifter på tværs af forskellige fabrikker i hele Europa.
Udvidet analyse i HR HR-ledere kan forudsige medarbejderafgang, forstå årsager til og foretage korrigerende handlinger for at fastholde de bedste medarbejdere – alt sammen med AI-analyser.