Naar inhoud gaan
Vrouw die analytics gebruikt

Wat is augmented analytics?

De eenvoudigste definitie van augmented analytics? Augmented analytics is analytics die is 'uitgebreid' met technologieën voor kunstmatige intelligentie (AI), waaronder machine learning en natuurlijke-taalverwerking (Natural Language Processing, NLP). Machine learning automatiseert complexe analyseprocessen, zoals het voorbereiden van data en het genereren van inzichten. NLP stelt iedere gebruiker, ook zakelijke gebruikers met weinig IT-kennis, in staat om op een eenvoudige manier, in gewone taal vragen te stellen over hun data en antwoorden te krijgen.

 

De term 'augmented analytics' werd in 2017 voor het eerst gebruikt door Gartner. Het concept wordt nu algemeen gezien als de toekomst van business intelligence (BI) en data analytics, waaronder predictive analytics.

Waarom is augmented analytics belangrijk?

Optimaal profijt van big data

 

Data zijn de sterkste troef in de moderne economie: ze vertellen bedrijven wat ze wanneer moeten produceren, wie hun doelgroep moet zijn, hoe ze zich moeten ontwikkelen, en nog veel meer. Maar tegenwoordig zijn er zo enorm veel data dat ze onmogelijk gewoon door mensen, of objectief, kunnen worden geïnterpreteerd. Laat staan dat kan worden voldaan aan de behoefte aan onmiddellijke antwoorden. Om betekenisvolle inzichten te ontdekken in de oceaan van big data hebben we technologieën nodig die dit mogelijk maken, zoals AI en machine learning. Dat is een van de redenen waarom augmented analytics zo belangrijk is: door de combinatie van data science met kunstmatige intelligentie worden bedrijven geholpen om in realtime enorme datasets te analyseren.

 

Minder afhankelijk van dataspecialisten

 

Het analyseproces is een reeks handmatige, tijdrovende stappen die zo ingewikkeld zijn dat ze meestal alleen door dataspecialisten kunnen worden uitgevoerd. Deze professionele analisten moeten:

  1. Data uit meerdere bronnen verzamelen
  2. De data voorbereiden voor analyse
  3. De analyse uitvoeren
  4. Betekenisvolle inzichten vinden
  5. Bevindingen visualiseren
  6. Bevindingen op een aantrekkelijke manier delen
  7. Een actieplan maken

Het probleem is dat er wereldwijd een groot tekort is aan dataspecialisten, en dat ze duur zijn. Hoewel augmented analytics deze professionals niet volledig kan vervangen, kan je afhankelijkheid van dataspecialisten wel worden beperkt door processen zoals verzameling, voorbereiding, opschonen en analyse van data te automatiseren.

 

Dankzij augmented analytics houden dataspecialisten meer tijd over voor belangrijkere taken, zoals het interpreteren van resultaten. Zo kunnen deze analisten meer waarde voor je organisatie creëren. Ze kunnen met analyses op basis van AI en machine learning verbanden leggen die ze anders misschien hadden gemist, en krijgen in minder tijd meer inzicht. Deze technologieën kunnen ook mogelijkheden bieden voor werknemers in andere analyserollen, van bedrijfsanalisten tot amateurdataspecialisten. Ze kunnen inzichten verbeteren en hen helpen werk te doen dat voorheen alleen kon worden gedaan door datawetenschappers.

In 2025 zal een schaarste aan dataspecialisten de toepassing van data science en machine learning in organisaties niet langer belemmeren.

Gartner

Democratisering van analytics voor ongetrainde gebruikers

 

Een andere reden waarom augmented analytics zo belangrijk is, is dat 'informatieverkenners' zonder kennis op het gebied van analytics bij het spel worden betrokken. Augmented analytics zorgt er namelijk voor dat complexe analyseprocessen kunnen worden geautomatiseerd en dat gebruikers gewoon door vragen te stellen data voor zich kunnen laten werken. Zo kunnen ook werknemers zonder datasciencevaardigheden gebruikmaken van geavanceerde analytics. Machine learning kan deze informatieverkenners op hun pad begeleiden door suggesties te doen voor vervolgvragen en tips te geven waar ze dieper moeten graven. 

 

Met augmented analytics worden antwoorden op query's gegeven in de vorm van kant-en-klare datavisualisaties, zoals diagrammen, grafieken en kaarten. Daardoor hoeven gebruikers die niet zelf te maken. Deze visualisaties kunnen met eenvoudige opdrachten worden onderzocht, worden samengevoegd tot dataverhalen en gemakkelijk worden gedeeld met andere teams en managers, ook door degenen zonder universitair diploma.

De evolutie van analytics

Analytics en business intelligence hebben de afgelopen jaren een lange weg afgelegd: van geavanceerde tools voor professionals op het gebied van data en analytics naar analytics met machine learning die iedereen kan gebruiken.

 

Traditionele analyses

  • Aangedreven door IT
  • Gebruikers hebben beperkte autonomie
  • Geavanceerde tools voor professionals in data en analytics
  • Focus op rapportage op schaal

Selfserviceanalyses

  • Aangedreven door het bedrijf
  • Gebruikers hebben meer autonomie
  • Gebruiksvriendelijke interface
  • Focus op gebruikergestuurde inzichten

Augmented analytics

  • Aangedreven door AI en machine learning
  • Gebruikers hebben echte autonomie
  • AI-tools en begeleide processen
  • Focus op snelle, diepe, voorheen verborgen inzichten

Use cases voor augmented analytics

Augmented analytics heeft het vermogen om bedrijfsprocessen ingrijpend te veranderen, maar hoe ziet dit eruit in de praktijk? Hier volgen enkele voorbeelden van use cases voor augmented analytics in finance, sales en marketing, logistiek, human resources en debiteurenbeheer.

 

Augmented analytics in finance
Een bedrijfsanalist kan augmented analytics gebruiken om eenvoudig reis- en verblijfskosten in verschillende bedrijfsonderdelen te voorspellen en te beheersen.

 

Augmented analytics in debiteurenbeheer
Incassomanagers kunnen machine learning in augmented analytics gebruiken om betalingsachterstanden te voorspellen, de juiste incassostrategie te bepalen en de cashflow de baas te blijven.

 

Augmented analytics in sales en marketing
Sales- en marketingteams krijgen toegang tot betere klantprofielen (en een snelle identificatie van kansen voor cross- en upselling), met augmented analytics.

 

Augmented analytics in de maakindustrie
Een analist voor een staalfabrikant kan augmented analytics gebruiken om de uitgaven in verschillende fabrieken in heel Europa te voorspellen, bewaken en controleren.

 

Augmented analytics in HR
Met AI-analytics kunnen HR-managers werknemerverloop voorspellen, begrijpen waarom personeel vertrekt en corrigerende maatregelen nemen om de beste talenten te behouden.

Ontdek de cloudoplossingen voor analytics

Bekijk functies van augmented analytics in de praktijk en zie hoe bedrijven ze gebruiken.

Verklarende woordenlijst voor analytics en gerelateerde termen

Augmented intelligence is de praktijk waarbij menselijke intelligentie wordt uitgebreid met kunstmatige intelligentie (AI). Augmented intelligence beantwoordt niet aan het sciencefictionbeeld van machines die mensen vervangen, maar richt zich meer op de ondersteunende rol van AI bij het mensen helpen om te leren, beslissingen te nemen en te innoveren.

Conversationele analytics is analytics die gebruikmaakt van conversationele AI-technologieën, namelijk Natural Language Processing (NLP) en Natural Language Generation (NLG), om machines de mogelijkheid te geven menselijke spraak te begrijpen, tekst of spraakquery's te verwerken en antwoorden te geven in gewone mensentaal.

NLP is een tak van conversationele AI die computers in staat stelt geschreven of gesproken menselijke taal te begrijpen. Binnen augmented analytics kunnen gebruikers met NLP query's uitvoeren op data door op een natuurlijke manier vragen te stellen, mondeling of schriftelijk.

NLG is een tak van conversationele AI die computers in staat stelt geschreven of gesproken menselijke taal te begrijpen. Binnen augmented analytics beantwoordt NLG gebruikersquery's door zinnen te genereren die resultaten beschrijven, samenvatten of uitleggen.

Geavanceerde analytics is een soort data science die gebruikmaakt van geavanceerde technieken en tools, waaronder big data en predictive analytics, om toekomstige gebeurtenissen, gedragingen en trends te voorspellen. Met augmented analytics worden deze toch al geavanceerde mogelijkheden uitgebreid met AI, machine learning en natuurlijke-taalverwerking: complexe voorspellende modelleringstaken worden geautomatiseerd en het wordt voor alle soorten gebruikers eenvoudiger om inzichten voor de toekomst te ontdekken.

Meer in deze serie

SAP Insights nieuwsbrief

Meld je vandaag nog aan

Meld je aan voor onze nieuwsbrief en krijg belangrijke inzichten.

Meer lezen

Terug naar boven