Zum Inhalt
Frau, die Analyselösungen nutzt

Was sind erweiterte Analysen?

Die einfachste Definition von erweiterten Analysen? Erweiterte Analysen sind Analysen, die durch Technologien der künstlichen Intelligenz (KI) wie maschinelles Lernen und Verarbeitung natürlicher Sprache „erweitert“ werden. Funktionen für maschinelles Lernen automatisieren komplexe Analyseprozesse wie die Datenaufbereitung und das Gewinnen von Erkenntnissen. Die Verarbeitung natürlicher Sprache ermöglicht es allen Anwendern, sogar nicht geschulten Fachanwendern, Fragen zu ihren Daten zu stellen und die Antworten darauf einfach und dialogorientiert zu erhalten.

 

Der englische Begriff „Augmented Analytics“ wurde im Jahr 2017 von Gartner geprägt und gilt heute vielen als die Zukunft von Business Intelligence (BI) und Datenanalysen – einschließlich vorausschauender Analysen.

Warum sind erweiterte Analysen wichtig?

Die Chancen von Big Data nutzen

 

Daten stellen die größte Chance für Unternehmen in der modernen Wirtschaftswelt dar. Mithilfe von Daten können Unternehmen unter anderem ermitteln, was sie wann produzieren müssen, wer die Zielgruppe ist und wie sie sich weiterentwickeln können. Doch das heutige Datenvolumen ist zu groß, als dass der Mensch die Daten ohne Hilfe – oder ohne Voreingenommenheit – interpretieren kann, und die Forderung nach unmittelbaren Antworten ist einfach nicht erfüllbar. Daher braucht es Technologien wie KI und maschinelles Lernen, um aussagekräftige Erkenntnisse aus Big Data zu gewinnen. Dies ist einer der Gründe, warum Augmented Analytics bzw. erweiterte Analysen so wichtig sind: Sie kombinieren Datenwissenschaft und künstliche Intelligenz, um Unternehmen bei der Analyse riesiger Datenmengen in Echtzeit zu unterstützen.

 

Die Abhängigkeit von Datenwissenschaftlern verringern

 

Der Analyseprozess besteht aus mehreren manuellen, zeitaufwendigen Schritten. Sie sind so kompliziert, dass sie in der Regel nur von Datenwissenschaftlern ausgeführt werden können. Diese Analyseexperten übernehmen folgende Aufgaben:

  1. Sie sammeln Daten aus unterschiedlichen Quellen.
  2. Sie bereiten die Daten für die Analyse auf.
  3. Sie führen die Analyse durch.
  4. Sie erhalten aussagekräftige Erkenntnisse.
  5. Sie visualisieren die Ergebnisse.
  6. Sie präsentieren diese Ergebnisse ansprechend.
  7. Sie erstellen einen Maßnahmenplan.

Doch weltweit existiert ein Fachkräftemangel bei Datenwissenschaftlern – und die Personalkosten sind hoch. Erweiterte Analysen ersetzen diese Experten zwar nicht. Doch sie können die Abhängigkeit von ihnen verringern, indem sie Prozesse wie Datensammlung, Aufbereitung, Bereinigung und Analyse automatisieren.

 

So haben Datenwissenschaftler nicht nur wieder mehr Zeit für wichtigere Aufgaben wie das Interpretieren von Ergebnissen, sondern sie können die erweiterten Analysen auch nutzen, um den Wert zu steigern, den sie für das Unternehmen generieren. Durch KI und maschinelles Lernen unterstützte Analysen helfen ihnen, Abhängigkeiten und Muster zu erkennen, die sie sonst möglicherweise übersehen hätten. Zudem erhalten sie in kürzerer Zeit tiefere Einblicke. Mit diesen Technologien können auch Mitarbeiter aus anderen Analysetätigkeitsfeldern – von Business-Analysten bis zu Analysten von Bürgerdaten – die gewonnenen Erkenntnisse verbessern und Aufgaben erledigen, die zuvor nur erfahrene Datenwissenschaftler ausführen konnten.

Bis zum Jahr 2025 wird der Mangel an Datenwissenschaftlern die Einführung von Data Science und maschinellem Lernen in Unternehmen nicht mehr ausbremsen.

Gartner

Analysen für nicht geschulte Benutzer demokratisieren

 

Erweiterte Analysen sind auch aus einem weiteren Grund wichtig: Dadurch können sich ungeschulte Forscher auf dem Gebiet der Informationsgewinnung beteiligen. Durch die Automatisierung komplexer Analyseprozesse und die Möglichkeit, Daten mithilfe einfacher Fragen abzurufen, können auch Mitarbeiter ohne Data-Science-Kenntnisse moderne Analyselösungen nutzen. Funktionen für maschinelles Lernen können diese Forscher anleiten, indem sie ihnen empfehlen, welche Frage sie als Nächstes stellen sollten, und Vorschläge für weitergehende Informationen machen. 

 

Mit erweiterten Analysen werden Fragen mithilfe vorgefertigter Datenvisualisierungen wie Diagrammen, Grafiken und Karten beantwortet, sodass die Nutzer diese nicht selbst erstellen müssen. Diese Visualisierungen können mit einfachen Befehlen untersucht, zusammengefasst und anderen Teams und Führungskräften präsentiert werden – ohne dass man dafür einen Doktortitel benötigt.

Die Entwicklung von Analyselösungen

Analyselösungen und Business Intelligence haben sich in den letzten Jahren stetig weiterentwickelt – von leistungsfähigen Tools für Daten- und Analyseexperten bis hin zu Analyselösungen mit Funktionen für maschinelles Lernen, die jeder nutzen kann.

 

Herkömmliche Analysen

  • von der IT unterstützt
  • begrenzte Nutzerautonomie
  • leistungsfähige Tools für Daten- und Analyseexperten
  • Fokus auf flexiblem Reporting

Selfservice-Analysen

  • vom Unternehmen unterstützt
  • höhere Nutzerautonomie
  • anwenderfreundliche Oberfläche
  • Fokus auf nutzerorientierte Erkenntnisse

Erweiterte Analysen

  • von KI und maschinellem Lernen unterstützt
  • echte Nutzerautonomie
  • KI-Tools und geführte Prozesse
  • Fokus auf schnelle, tiefe, bisher verborgene Erkenntnisse

Vorteile von erweiterten Analysen

Erweiterte Analysen bieten viele der gleichen Vorteile wie Business Intelligence, wie ein verbessertes Reporting und einen optimierten Entscheidungsfindungsprozess. Aber sie sorgen auch für eine Schnelligkeit und Genauigkeit, die ohne künstliche Intelligenz und maschinelles Lernen nicht denkbar ist. Diese Vorteile treffen speziell auf erweiterte Analysen zu:

  • Schnellere Datenaufbereitung: Analysten verbringen etwa 80 % ihrer Zeit damit, Daten für die Analyse aufzubereiten. Sie exportieren große Datensätze – manchmal Millionen davon – und kombinieren, bereinigen und strukturieren die Daten, bevor sie die Analyse durchführen können. Mit Funktionen für maschinelles Lernen in erweiterten Analysen wird dieser Prozess automatisiert. Zudem gewinnen Analysten mehr Zeit für wertschöpfende Aktivitäten und reduzieren gleichzeitig Fehler.
  • Automatisierte Analysen: Mithilfe von Modellen für maschinelles Lernen können komplexe Analysen automatisiert werden. Analysen, für die Datenwissenschaftler sonst Wochen gebraucht haben, werden automatisch durchgeführt. Antworten und Datenvisualisierungen werden direkt generiert und stehen für die Nutzer sofort bereit. Sie benötigen also weniger Zeit, Daten auszuwerten, und haben mehr Zeit, um die Erkenntnisse zu interpretieren, diese der Führungsebene zu präsentieren und Veränderungen anzustoßen.
  • Tiefer gehende Erkenntnisse: Maschinen können Daten in einer Art und Weise untersuchen, wie es der Mensch einfach nicht kann. Sie können wesentlich größere Datensätze aus mehreren Blickwinkeln betrachten – und statistische Korrelationen, Beziehungen und Muster finden, die für das menschliche Auge nicht erkennbar sind. Maschinen können Daten schnell und in großem Maßstab verstehen, den menschlichen Geist mit neutralen Erkenntnissen erweitern und den Anwendern vermitteln, worauf sie ihre Aufmerksamkeit lenken sollten.
  • Dialogorientierte Analysen: Die Verarbeitung natürlicher Sprache – dieselbe sprachbasierte KI-Technologie, die digitale Assistenten wie Siri und Alexa antreibt – ermöglicht es Fachanwendern, die über keinerlei Kenntnisse über Abfragesprachen oder Code verfügen, Fragen dialogorientiert zu stellen. Durch die Generierung natürlicher Sprache erhalten Sie Antworten in vollständigen Sätzen, schriftlich oder gesprochen, die die Ergebnisse zusammenfassen oder erklären.
  • Direkter Geschäftskontext: Erkenntnisse ohne Geschäftskontext sind bedeutungslos. Indem die Absichten und das Verhalten der Nutzer berücksichtigt werden, können Algorithmen für maschinelles Lernen kontextbezogene Erkenntnisse liefern, anhand derer Maßnahmen ergriffen werden können. Durch die Demokratisierung von Analyselösungen können Führungskräfte und langjährige Mitarbeiter außerdem mit ihrem Erfahrungsschatz und fundierten Kenntnissen über Geschäftsmodelle und ‑abläufe wichtige Erkenntnisse gewinnen.

Anwendungsfälle für erweiterte Analysen

Erweiterte Analysen können Geschäftsprozesse revolutionieren – aber wie sieht das in der Realität aus? Hier finden Sie einige Beispiele für Anwendungsfälle für erweiterte Analysen in Finanzwesen, Vertrieb und Marketing, Logistik, Personalwesen und Debitorenbuchhaltung.

 

Erweiterte Analysen im Finanzwesen
Ein Business-Analyst kann erweiterte Analysen einsetzen, um Reisekosten und Spesen für verschiedene Geschäftsbereiche vorherzusagen und zu steuern.

 

Erweiterte Analysen in der Debitorenbuchhaltung
Manager für die Forderungsverwaltung können maschinelles Lernen in erweiterten Analysen nutzen, um verspätete Zahlungen vorherzusagen, die richtige Inkassostrategie zu ermitteln und den Cashflow im Blick zu behalten.

 

Erweiterte Analysen in Vertrieb und Marketing
Vertriebs- und Marketingteams können dank erweiterter Analysen bessere Kundenprofile erstellen und erkennen schnell Cross- und Upselling-Chancen.

 

Erweiterte Analysen in der Fertigung
Ein Analyst für einen Stahlhersteller kann mit erweiterten Analysen die Ausgaben für verschiedene Fabriken in ganz Europa vorhersagen, überwachen und steuern.

 

Erweiterte Analysen im Personalwesen
Personalleiter können dank KI-Analysen die Fluktuation von Mitarbeitern vorhersagen, die Gründe dafür verstehen und entsprechende Maßnahmen ergreifen, um Spitzenkräfte zu binden.

Entdecken Sie unsere Cloud-Analyselösungen

Erleben Sie erweiterte Analysefunktionen in Aktion und erfahren Sie, wie Unternehmen diese einsetzen.

Analyselösungen: Glossar und verwandte Begriffe

Die Erweiterung menschlicher mit künstlicher Intelligenz (KI) wird als Augmented Intelligence bezeichnet. Augmented Intelligence ist kein Science-Fiction-Szenario, bei dem Menschen durch Maschinen ersetzt werden. Sie soll dem Menschen beim Lernen, Treffen von Entscheidungen und Entwickeln von Innovationen Hilfestellung durch KI bieten.

Bei dialogorientierten Analysen handelt es sich um Analysen, die dialogorientierte KI-Technologien – insbesondere die Verarbeitung und Generierung natürlicher Sprache – einsetzen, damit Maschinen die menschliche Sprache verstehen, Text- oder Sprachabfragen verarbeiten und dialogorientierte Antworten geben können.

Die Verarbeitung natürlicher Sprache ist ein Zweig der dialogorientierten KI, mit der Computer geschriebene oder gesprochene menschliche Sprache verstehen. Im Rahmen von erweiterten Analysen ermöglicht die Verarbeitung natürlicher Sprache den Nutzern, Daten abzufragen, indem sie Fragen auf natürliche Weise – geschrieben oder gesprochen – stellen.

Die Generierung natürlicher Sprache ist ein Zweig der dialogorientierten KI, mit der Computer Daten in geschriebene oder gesprochene menschliche Sprache umwandeln. Im Kontext erweiterter Analysen beantwortet die Generierung natürlicher Sprache Nutzerabfragen, indem sie Phrasen generiert, die Ergebnisse beschreiben, zusammenfassen oder erläutern.

Leistungsfähige Analysen stellen einen Zweig der Data Science dar, die mithilfe moderner Techniken und Tools – einschließlich Big Data und vorausschauender Analysen – zukünftige Ereignisse, Verhaltensweisen und Trends prognostizieren. Erweiterte Analysen erweitern diese bereits leistungsfähigen Funktionen mit KI, maschinellem Lernen und Verarbeitung natürlicher Sprache. Dadurch wird die Erstellung komplexer Prognosemodelle automatisiert, sodass alle Nutzertypen vorausschauende Erkenntnisse gewinnen.

Mehr aus dieser Reihe

SAP-Insights-Newsletter

Jetzt abonnieren

Abonnieren Sie unseren Newsletter und erhalten Sie wichtige Informationen und Einblicke.

Weitere Informationen

Zum Seitenanfang